یادگیری امتیاز پیوسته شدت سپسیس بدون نظارت ساعتی: مطالعه بازنگری دو مرکزی

علوم کامپیوتر > هوش مصنوعی arXiv:2608.27421v1 (cs) [Submitted on 27 Aug 2026] **عنوان:** یادگیری پیوسته و بدون نظارت امتیاز شدت سپسیس به‌صورت ساعتی: یک مطالعه بازگشتی دو مرکزی **نویسندگان:** کوین چو، رایان چانگ، بارا عبد، تیلندرا چودهری، مالورن مادوندو، مهک ارورا، ییکسوان یانگ، آلاسدایر جنت، آدیتیا ناگوری، عمر ت. ایان، کریستا ل. هینز، پاتریک ژئورف، سورش م. آگرول، ویجای کریشنا مورتی، تتسو اوه‌نوما، ماهای و. پادگورینو، مایکل آر. پینسی، گیل کلرمون، کریگ ایم. کوپرسمیت، کریگ اس. جابالی، ریشیکشان کامالسوران [مشاهده PDF] این مقاله با عنوان «یادگیری پیوسته و بدون نظارت امتیاز شدت سپسیس به‌صورت ساعتی: یک مطالعه بازگشتی دو مرکزی»، توسط کوین چو و ۲۰ نویسنده دیگر نگاشته شده است. [مشاهده PDF] **چکیده:** شاخص‌های شدت سپسیس که در حال حاضر به‌کار گرفته می‌شوند، بر پایه‌ی متغیرها و وزن‌های ثابتی هستند که چندین دهه پیش تعیین شده‌اند و به‌طور ناهمگن و گسسته در تنظیمات تک‌گروهی قرار گرفته‌اند؛ شاخص‌هایی که دیگر بازتاب‌دهنده‌ی مراقبت‌های ویژه‌ی امروزین نیستند. هیچ جایگزینی که مستقیماً از مسیرهای بالینی بیماران استخراج شده باشد، در استفاده‌ی روزمره وجود ندارد. ما یک مطالعه‌ی بازگشتی دو گروهی بر روی تمامی ۲۹۱۱۶ و ۷۶۹۱ بیمار بزرگسال که معیارهای سپسیس-۳ را داشتند، در دو سامانه‌ی بیمارستانی واقع در ماساچوست و جورجیا انجام دادیم. ما یک شاخص سپسیس را با استفاده از ۴۳ متغیر که به‌طور معمول در پرونده‌ی بیمار موجود هستند، در طول یک پنجره‌ی درمانی ۷۲ ساعته توسعه دادیم. برخلاف مطالعات پیشین، ما از مرگ‌ومیر به‌عنوان سیگنالی برای رتبه‌بندی سطح درمان استفاده کردیم، نه به‌عنوان هدفی برای هر حالت؛ این رویکرد امکان می‌دهد تا اعتبار به‌طور غیریکنواخت در میان گام‌های زمانی توزیع شود. ارزیابی بر روی یک مجموعه‌ی نگهداری دائمی شامل ۲۰ درصد از داده‌های آزمون انجام شد و با استفاده از مثال‌های بالینی و همبستگی اسپیرمن صورت گرفت. بازه‌های عدم قطعیت از طریق بازنمونه‌گیری بوت‌استرپ در سطح بیماران به دست آمدند. در این طرح رتبه‌بندی، بیماران فوت‌شده، به‌جز در مورد بقایافتگان، امتیازی بین ۱.۱۹ تا ۱.۶۴ نمره بالاتر از بازماندگان در مقیاس ۰ تا ۱۰ و در تمامی سطوح پایه‌ی SOFA-۲ داشتند؛ نتایجی مشابه در لایه‌بندی بر اساس لاکتات، فشار خون متوسط (MAP) و کراتینین نیز به‌دست آمد. تغییرات درون‌بیماری شاخص با تغییرات لاکتات همبستگی نشان داد (همبستگی اسپیرمن ρ = ۰.۳۹؛ n = ۱۸۵۴). همبستگی‌هایی مشابه، اما ضعیف‌تر، برای MAP و کراتینین یافت شد. در سطح گروهی، توافق بین‌مرکزی با استفاده از همبستگی اسپیرمن بین مدل‌های آموزش‌دیده بر روی سایت‌های مختلف، ۷۰ تا ۷۷ درصد از همبستگی درون‌سایتی بود. همبستگی‌های درون‌بیماری خارج از سایت ۰.۵۴ و ۰.۵۹ در برابر سقف‌های ۰.۹۲ و ۰.۹۰ بودند. شاخص ما همچنین با شاخص‌های شناخته‌شده همبستگی نشان داد، در حالی که کنترل‌های خنثی نزدیک به صفر باقی ماندند. شاخص ما اطلاعات پیش‌بینی ساعتی را ارائه داد که به‌طور معناداری نتایج بیماران را از یکدیگر تفکیک می‌کند و با انتظارات بالینی سازگار است؛ این امر بیانگر پتانسیل آن به‌عنوان یک ابزار پشتیبانی تصمیم‌گیری است که مکمل قضاوت بالینی خواهد بود. **موضوعات:** هوش مصنوعی (cs.AI); یادگیری ماشین (cs.LG) **ارجاع به این صورت:** arXiv:2608.27421 [cs.AI] (یا arXiv:2608.27421v1 [cs.AI] برای این نسخه) https://doi.org/10.48550/arXiv.2608.27421 تمرکز برای یادگیری بیشتر DOI منتشر شده توسط arXiv از طریق DataCite (در انتظار ثبت) **تاریخچه‌ی ارسال** **از:** کوین چو [مشاهده ایمیل] **[v1]** جمعه، ۲۷ اوت ۲۰۲۶، 17:46:21 UTC (1,065 KB) --- **ابزارهای کتابشناختی** ابزارهای کتابشناختی و استناددهی کاوشگر کتابشناختی فعال/غیرفعال‌سازی کاوشگر کتابشناختی (کاوشگر چیست؟) مقالات مرتبط فعال/غیرفعال‌سازی مقالات مرتبط (مقالات مرتبط چیست؟) لیت‌مپس فعال/غیرفعال‌سازی لیت‌مپس (لیت‌مپس چیست؟) scite.ai فعال/غیرفعال‌سازی استنادات هوشمند scite (استنادات هوشمند چیست؟) **کد، داده‌ها، رسانه** کد، داده‌ها و رسانه‌های مرتبط با این مقاله alphaXiv فعال/غیرفعال‌سازی alphaXiv (alphaXiv چیست؟) پیوندها به کد CatalyzeX فعال/غیرفعال‌سازی CatalyzeX (یافت‌گر کد برای مقالات) (CatalyzeX چیست؟) DagsHub فعال/غیرفعال‌سازی DagsHub (DagsHub چیست؟) GotitPub فعال/غیرفعال‌سازی Gotit.pub (GotitPub چیست؟) Huggingface فعال/غیرفعال‌سازی Hugging Face (Hugging Face چیست؟) ScienceCast فعال/غیرفعال‌سازی ScienceCast (ScienceCast چیست؟) **دموها** Replicate فعال/غیرفعال‌سازی Replicate (Replicate چیست؟) Spaces فعال/غیرفعال‌سازی Hugging Face Spaces (Spaces چیست؟) Spaces فعال/غیرفعال‌سازی TXYZ.AI (TXYZ.AI چیست؟) **مقالات مرتبط** ابزارهای توصیه‌گر و جستجو پیوند به گل‌میخ Influence Flower (گل‌میخ Influence چیست؟) توصیه‌گر CORE فعال/غیرفعال‌سازی توصیه‌گر CORE (CORE چیست؟) --- **نویسنده** **مجله** **مؤسسه** **موضوع** **درباره‌ی arXivLabs** arXivLabs: پروژه‌های آزمایشی با همکاران جامعه arXivLabs چارچوبی است که به همکاران و سازمان‌های داوطلب امکان می‌دهد تا قابلیت‌های جدیدی را برای arXiv مستقیماً در وب‌سایت ما توسعه داده و به اشتراک بگذارند. هم افراد و هم سازمان‌هایی که با arXivLabs همکاری می‌کنند، ارزش‌های ما مبنی بر باز بودن، جامعه‌محوری، تعالی و حریم خصوصی داده‌های کاربران را پذیرفته‌اند. arXiv به این ارزش‌ها متعهد است و تنها با شرکایی که به آن‌ها پایبند هستند همکاری می‌کند. آیا ایده‌ای برای پروژه‌ای دارید که ارزشی برای جامعه‌ی arXiv ایجاد کند؟ درباره‌ی arXivLabs بیشتر بدانید. کدام نویسندگان این مقاله تأییدکننده هستند؟ | غیرفعال‌سازی MathJax (MathJax چیست؟)