Utveckling och multicenter‑validering av ett förklarbart maskininlärningsbaserat diagnostiskt kriterium för pediatrisk buksepsis

Varför detta är viktigt för sjuka barn

När ett barn kommer till sjukhuset med svår buksmärta och infektion måste läkare snabbt avgöra vem som verkligen befinner sig i fara. Om buksepsis – en livshotande infektion i mag‑ och tarmområdet – förbises eller upptäcks för sent kan barnet gå in i organfunktionstillbud och behandlingar kan bli verkningslösa. Denna studie beskriver ett nytt datorstött verktyg, byggt på verkliga sjukhusdata, som hjälper läkare att upptäcka buksepsis hos barn tidigare och mer pålitligt genom att använda blodprover och vitalparametrar som redan tas dagligen.

Det dolda hotet i buken

Sepsis är en av de ledande dödsorsakerna hos barn globalt, och infektioner som börjar i buken tillhör de farligaste varianterna. Nuvarande sepsisregelverk och poängsystem är till stor del skapade för vuxna och fokuserar mycket på lung‑ och hjärtproblem. När dessa tecken blivit tydliga hos ett barn kan skador i buken, levern eller tarmarna redan vara allvarliga. Befintliga pediatriska verktyg har också svårt att tidigt upptäcka buksepsis i tid för att vägleda snabb kirurgi eller aggressiv behandling. Författarna menar att barn med misstänkt bukåkomma behöver ett diagnostiskt verktyg särskilt anpassat för denna typ av infektion.

Att förvandla rutinprov till en smart varning

Forskarteamet samlade elektroniska journaler från mer än 22 000 barn som vårdades vid ett stort barnsjukhus i Kina mellan 2019 och 2023, med fokus på 6 566 patienter med bukproblem som blindtarmsinflammation eller tarmobstruktion. Inom denna grupp granskade specialister noggrant journaler, bilddiagnostik, operationer, läkemedel och uppföljningsanteckningar för att avgöra vilka barn som faktiskt hade pediatrisk buksepsis (PAS). De använde en ”aktiv inlärnings”‑metod: en liten provmängd märktes upp av tre erfarna läkare, en preliminär modell tränades, och den modellen föreslog därefter nya, osäkra fall för läkarna att ompröva, vilket upprepades för att successivt förbättra datasetet och minska meningsskiljaktigheter.

Nio enkla signaler med stark förmåga

Från dussintals laboratorievärden och vitalparametrar mätta under de första 24 timmarna efter intag sökte forskarna den kombination som bäst skiljde sepsis från andra buktillstånd. De landade i nio vardagliga mätvärden: puls; vita blodkroppar; absolut neutrofilräkning; ett leverrelaterat enzym kallat γ‑glutamyltransferas; ett annat leverenzym (AST); förhållandet mellan två blodproteiner (albumin och globulin); prealbumin; kalciumnivå; och en känslig inflammationsmarkör känd som högkänsligt C‑reaktivt protein. Inga av dessa tester är exotiska – de ingår i rutinvård – men tillsammans bildar de ett kraftfullt mönster. Med dessa nio markörer jämfördes flera maskininlärningsmetoder, och en random‑forest‑modell gav den mest tillförlitliga prestandan.

Ett verktyg som fungerar över många sjukhus

Den slutliga modellen, kallad ABSeD (Abdominal Sepsis Diagnosis), särskilde korrekt PAS från andra buksjukdomar med hög noggrannhet. I ursprungssjukhusets data var dess prestanda utmärkt, och den höll måttet vid intern validering. För att undersöka om den generaliserade bortom ett enda center byggde teamet därefter en webbaserad plattform och samlade prospektivt in data från sju ytterligare sjukhus i Zhejiang‑provinsen i början av 2025. Bland 308 barn som hade tydlig uppföljning eller kirurgisk bekräftelse visade ABSeD återigen starka resultat, med korrekt identifiering av majoriteten av barnen med buksepsis och bibehållen hög precision – vilket innebär att när den varnade för sepsis hade den oftast rätt. Systemet visar också hur var och en av de nio markörerna påverkar modellens bedömning, vilket ger läkare en transparent bild istället för en mystisk ”svart låda.”

Från forskningsmodell till hjälp vid sängkanten

För att göra sitt arbete användbart i vardaglig praxis skapade författarna ett webbgränssnitt där kliniker anger ett barns ålder, grundläggande information och de nio laboratorievärdena. Verktyget ger en riskpoäng och en tydlig visuell uppdelning av vilka mätningar som drev resultatet, vilket hjälper läkare att avgöra om vården ska intensifieras, bilddiagnostik beställas eller kirurgi övervägas. Studien framhäver både modellens löfte och dess begränsningar: den är avsedd för barn som redan har misstänkt buksjukdom, inte för universell screening, och den har hittills bara testats inom en region och etnisk bakgrund. Ändå visar ABSeD‑verktyget hur omsorgsfullt byggd och förklarbar artificiell intelligens kan förvandla vanliga laboratorietester till ett tidigt varningssystem och potentiellt rädda barns liv genom att fånga dödlig buksepsis innan det är för sent.

Citering: Cao, S., Cai, D., Zhang, S. et al. Development and multicenter validation of an explainable machine learning diagnostic criteria for pediatric abdominal sepsis. npj Digit. Med. 9, 312 (2026). https://doi.org/10.1038/s41746-026-02500-0

Nyckelord: pediatrisk sepsis, bukinfektion, maskininlärning, tidig diagnos, kliniskt beslutsstöd