由密歇根大学领导的一项研究显示，首次在医院环境中部署了旨在减少艰难梭菌（Clostridioides difficile）传播的AI指导系统。这项研究发表在《JAMA Network Open》上。
新的协议显著减少了抗生素处方，这是增加脆弱患者感染风险的一个因素，使抗菌药物使用天数减少了10%到15%。重要的是，减少抗菌药物使用天数并未增加住院时间、再入院率或死亡率。艰难梭菌的发病率在研究期间呈下降趋势，但尚未达到统计学显著性。
“我一直热爱计算机科学的技术方面，但真正让我继续前进的是它潜在的影响。看到一个算法成长为能够在床边产生可衡量影响的东西是非常令人欣慰的。”密歇根大学计算机科学与工程副教授、该研究的资深作者Jenna Wiens说。
艰难梭菌在体外会形成孢子，这些孢子可以在表面上存活数月。这种顽固的微生物会导致严重的腹泻和肠道炎症，并且对许多清洁产品（包括酒精基手消毒剂）具有抗性。再加上有病患者的可用性，使得艰难梭菌在医院环境中特别危险。
特别是，服用抗生素的医院患者患艰难梭菌感染的可能性是其他患者的十倍，因为这些药物会消灭肠道中的本地微生物，而这些微生物通常会形成对抗入侵者如艰难梭菌的屏障。
达到测量临床影响的这一阶段已经花费了十年的时间。在早期阶段，研究团队建立了一个预测模型，利用过去的医院记录来识别哪些患者最容易感染艰难梭菌。
机器学习模型训练的因素包括药物、实验室结果、之前的住院情况、合并症、人口统计数据，甚至是在医院中与其他感染患者的接近程度。当应用于一组全新的患者时，预测结果与真实患者风险一致，证明了模型的有效性。当专门为密歇根医学中心（密歇根大学附属的学术医疗中心）训练模型时，这种方法再次得到了验证。
为进一步应用，2022年的一项前瞻性验证研究在两个学术医疗中心——密歇根医学中心和马萨诸塞州总医院——实时估计风险，并评估哪些患者被感染。
模型的成功促使研究团队开发了一个感染预防包，可以为临床医生提供实时风险预测和系统性建议，并通过电子健康记录进行传达。一个包括工程师、临床医生和医院工作人员的团队从多个角度开发了这种方法。
“虽然我预料到在获得项目批准的过程中需要应对各种医院委员会的挑战，但我对医疗团队的热情和参与感到非常惊喜，这不应被视为理所当然，尤其是在要求人们改变工作方式时。”密歇根大学医学院内科副教授Krishna Rao说，他也是该研究的共同作者。
临床医生收到的指导包括实施洗手协议——要求在进入病房前用肥皂和水洗手，减少高风险抗生素的使用，并测试青霉素过敏。许多被标记为青霉素过敏的患者实际上随着时间的推移失去了过敏反应，从而打开了一个新的抗生素类别，降低了患者感染艰难梭菌的风险。
“药剂师非常关注脆弱患者。这促使他们在进入患者房间时洗手，以尽量减少传播感染的机会，并建议更改药物，包括更改抗生素方案和抗酸疗法，以降低感染风险。”密歇根大学药学院助理教授、临床药师Jerod Nagel说，他也是该研究的共同作者。
“在我与之合作的所有提供者中，他们都曾亲身经历治疗艰难梭菌感染患者及其对生活造成的可怕影响，并希望尽其所能帮助患者，如果这对他们有益的话。”Rao说。
一个重症监护护士团队甚至在其工作流程中实现了患者风险评分的一个意外用途。当分配病房时，主管护士确保照顾活跃感染患者的护士不会同时被分配给高风险患者。
研究团队将为期一年的干预期与无AI的前期进行了比较，以评估变化。艰难梭菌的发病率从每10,000个患者日5.76例下降到5.65例，但下降幅度不足以达到统计学显著性。抗生素处方显著减少，抗菌药物使用天数减少了10%到15%。
“不用说，但我要说的是，这确实需要一个团队。我很荣幸能够与这样一个致力于解决实际问题的跨学科团队合作，我为我们所取得的成就感到自豪。”密歇根大学前博士生、现埃默里大学计算机科学助理教授Shengpu Tang说，他是该研究的第一作者。
“在埃默里大学，我期待继续这条研究路线，并探索AI如何帮助改善患者护理的新方法。”Tang补充道。
尽管Wiens正在将艰难梭菌监测项目移交给密歇根医学中心，但她期待未来的人工智能建模项目能够为医疗保健解决方案做出贡献。
(全文结束)