《npj Digital Medicine》：An artificial intelligence-powered learning health system to improve sepsis detection and quality of care: a before-and-after study
编辑推荐：
本研究针对脓毒症早期识别与管理难题，开发了结合标准化临床路径与AI算法HERACLES的学习型医疗系统。通过对97,559例住院病例的分析显示，系统实施后脓毒症编码率显著提升（OR 1.19-1.27），且SLHS病房的院内死亡率（15.27% vs 20.54%）和90天死亡率（26.11% vs 32.99%）显著降低。该系统首次实现了脓毒症管理的持续质量改进循环，为数字医疗提供了可推广范式。
在全球范围内，脓毒症每年导致约1100万例死亡，成为威胁人类健康的重大危机。尽管《拯救脓毒症运动》（SSC）制定了明确的诊疗指南，但医疗系统在早期识别和规范管理方面仍面临巨大挑战。传统依赖国际疾病分类（ICD）编码的监测方式存在灵敏度低、医院间变异大等固有缺陷，而现有的电子预警系统往往缺乏持续优化机制。在这一背景下，瑞士洛桑大学医院的研究团队开创性地将人工智能技术与学习型医疗系统理念相结合，开发出脓毒症学习型医疗系统（SLHS），相关成果发表于《npj Digital Medicine》。
为系统解决脓毒症管理难题，研究团队构建了融合三大核心组件的SLHS：标准化脓毒症临床路径为医护人员提供结构化诊疗框架；基于星型模型和知识图谱的脓毒症注册库整合了超9.7万例住院数据；核心算法HERACLES（健康评估与脓毒症临床早期风险评定）采用随机森林（RF）与长短期记忆网络（LSTM）集成架构，每6小时对患者状态进行“无脓毒症”“疑似脓毒症”“确诊脓毒症”的三分类预测。系统通过动态仪表盘实时反馈质量指标，形成“临床实践-数据采集-算法优化-实践改进”的持续学习闭环。
关键技术方法包括：1）基于瑞士个性化健康网络（SPHN）标准的脓毒症注册库建设，每日通过ETL流程从临床数据仓库集成数据；2）HERACLES集成算法开发，结合RF（处理240个临床特征）和LSTM（处理时序数据）模型输出；3）针对63个病区开展分阶段部署（2021年11月启动），并通过5折交叉验证和独立测试集进行性能评估。
实施SLHS与研究人群
系统分四个阶段逐步覆盖63个病区，截至2024年12月共纳入97,559例住院病例。通过标准化临床路径文档记录的1,043例疑似脓毒症事件中，经感染病专家评估确认472例（45.2%）为确诊脓毒症。数据显示确诊脓毒症患者中位年龄更高（69岁），且83.3%的病例存在脓毒症相关ICD编码，而疑似脓毒症病例的编码率仅35.5%，提示传统编码方式存在显著漏报。
基于HERACLES的AI脓毒症识别
HERACLES对确诊脓毒症的识别性能随时间推移逐步提升，F1分数最高达0.71（最终稳定于0.68），确诊脓毒症与无脓毒症病例的AUROC为0.88。部门特异性模型验证中，急诊科（EMD）专用模型表现最佳（F1分数0.77，AUROC 0.88）。值得注意的是，82%的算法预警病例发生在入院96小时内，与社区获得性脓毒症的发病特征高度吻合。
评估SLHS对脓毒症护理和患者结局的全局影响
SLHS病区的脓毒症ICD编码率从1.55%显著提升至3.58%（OR 1.27），而对照病区无显著变化。更关键的是，SLHS病区内HERACLES预警脓毒症病例的院内死亡率从20.54%降至15.27%（OR 0.89），90天死亡率从32.99%降至26.11%（OR 0.91）。针对抗菌药物管理表单的专项分析显示，遵循临床路径指南的确诊脓毒症患者，在发病1小时内接受抗生素治疗的比例显著更高（p<0.001），证实系统有效优化了关键治疗环节。
本研究通过五年实践验证了SLHS在真实医疗场景中的变革性价值。系统不仅将脓毒症检测率提升至传统编码方式的2倍以上，更通过持续学习机制实现了死亡率指标的显著改善。尽管HERACLES目前仅支持回顾性预测，且6小时时间窗口限制了实时指标计算，但其成功实践为急性病症管理提供了可复制的数字化框架。该研究标志着脓毒症管理正式进入“人工智能增强”时代，为医疗系统从静态管理向动态学习演进提供了重要范本。随着向重症监护室等场景的拓展以及实时预测功能的完善，这一融合临床智慧与数据智能的系统有望重塑脓毒症乃至其他急症的治疗范式。
