主要发现：
- AI模型在识别高风险导管方面的准确率达到78%
- 研究人员对AI模型的表现"感到惊讶"
芝加哥——研究人员发现，通过研究中心静脉导管的照片，AI感染检测模型能够识别中央导管相关血流感染的早期预警信号。
根据美国疾病控制与预防中心(CDC)的数据，中央导管相关血流感染(CLABSIs)每年在美国导致数千人死亡，并给医疗保健系统带来数十亿美元的额外成本。
加州大学欧文分校传染病学助理教授、流行病学和感染预防副主任Shruti K. Gohil医学博士表示，识别CLABSI的早期迹象——这些迹象可能提前数周出现——可以帮助临床医生预防这些感染。
几年前，Gohil和同事们开发了一种评分工具，称为中央导管插入部位评估(Central Line Insertion Site Assessment, CLISA)，以帮助临床医生识别并应对中央导管可能导致炎症或感染的迹象，这些迹象可能会导致CLABSI。
在这项研究中，Gohil和同事们训练了一个AI模型，用于预测数千张中心静脉导管(CVCs)照片中炎症或感染的CLISA风险评分，并将该模型与受过培训的临床医生进行了对比测试。他们在美国医疗保健流行病学学会(SHEA)春季年会上公布了他们的发现。
AI模型分析了2014年1月至2017年6月间拍摄的964个中央导管部位的5,551张照片——其中21%(n=1,191)来自住院患者，46%(n=2,539)来自门诊肿瘤患者，33%(n=1,821)来自养老院居民。
研究人员表示，该模型显示出78%的敏感性（识别感染或发炎导管的能力）和约79%的特异性（识别健康导管的能力），曲线下面积(AUC)为0.87，表明该模型具有很强的能力将导管部位分类为CLABSI低风险或高风险。Gohil表示，AUC是评估AI模型的"金标准"。
她告诉Healio，该模型的表现"出乎意料地强大"，并补充说"预计通过进一步训练会有所改进"。
Gohil说："我们对AI在最小训练下能够表现得如此出色感到惊讶。有时似乎AI能够识别出仅凭照片临床医生可能不会立即注意到的问题区域。"
Gohil表示，一个需要进一步研究的问题是该模型在较深肤色上的表现，因为这使得检测红肿更加困难。
同时，Gohil表示，研究表明AI程序可以从非医疗场所监测导管部位。
她说："本研究开发的算法可以整合到远程移动应用程序中，供各种护理环境中的患者和医疗工作者使用，为将感染预防实践带入家庭提供了一种实用的方法。随着越来越多的护理转向门诊和家庭环境，可扩展的中央导管监测工具对于预防可避免的感染变得越来越重要。"
视角
在2026年SHEA春季会议上最近提交的一份摘要中，研究人员使用AI评估了来自874名成年患者的964个CVC出口部位的5000多张图像，以定义导管出口部位的皮肤变化，预测炎症和潜在的CLABSI。以训练有素的专家为金标准，AI生成的图像评估区分了正常/低风险(CLISA 0-1)和发炎/感染的导管(CLISA 2或3)。
这些发现表明，通过连续成像，对中央导管出口部位的AI评估可能有助于早期检测甚至预防CLABSIs——通过及时移除导管。如果这些发现在不同人群中得到复制，感染预防团队和传染病(ID)从业者可能会获得一个额外的工具，用于CLABSIs的监测和诊断，特别是在现场缺乏传染病专家的情况下。
Gonzalo Bearman, MD, MPH, FACP, FSHEA, FIDSA
弗吉尼亚联邦大学医学教授
披露： Bearman报告无相关财务披露。
来源/披露
来源： 人工智能照片检测高风险导管以预防中央导管相关血流感染(CLABSI)。发表于：SHEA春季会议；4月7-10日；芝加哥。
参考文献： CDC：中央导管相关血流感染(CLABSI)基础知识。发布于2025年6月12日。访问于2026年4月13日。
披露： Gohil报告无相关财务披露。
【全文结束】