Ny studie: Sex variabler kan förutsäga dödlighet i sepsis
Sepsis är ett livshotande tillstånd och ligger bakom ungefär 20 procent av dödsfallen i världen årligen. Nu har forskare med hjälp av maskininlärning identifierat sex variabler som kan förutsäga vilka sepsispatienter som löper en ökad risk att dö antingen efter en vecka eller en månad efter diagnosen.
– Variablerna skulle kunna fungera som en varningslampa för hälso- och sjukvårdspersonalen som möter sepsispatienter på akutmottagningar, säger Lisa Kurland, professor i akutsjukvård vid Örebro universitet och en av forskarna bakom studien.
Läs artikeln i BMC Emergency Medicine: "Predicting mortality among septic patients presenting to the emergency department– a cross sectional analysis using machine learning"
I en nyligen publicerad studie har forskarna undersökt sambandet mellan 91 olika variabler – som till exempel feber och frossa – och risken att dö av sepsis inom sju och trettio dagar. I studien ingick totalt 445 vuxna patienter som hade kommit till Södersjukhuset med en ambulans och senare blivit inlagda på sjukhuset med sepsisdiagnos.
– Vi tittade på 91 variabler, men resultaten visar att så få som 6 kan användas för att förutsäga dödlighet hos patienter med sepsis med hög sannolikhet, förklarar Lisa Kurland.
Variablerna för att förutsäga dödlighet inom sju och trettio dagar är: feber, låg syremättnad i blodet, frossa, svårigheter att svara på frågor och ankomst med ambulans. Avvikande beteende eller medvetenhetsnivå förutsade dödlighet inom en vecka, medan andningssvårigheter var viktigare för att förutsäga dödlighet efter trettio dagar.
Tidig behandling av sepsis räddar liv
Resultaten av studien visar att de sex variablerna kan förklara dödlighet i sepsis med 80 procents säkerhet. Enligt Lisa Kurland skulle variablerna kunna användas som verktyg för att hjälpa kliniker att lättare känna igen dessa patienter.
– Sepsispatienter kan ha många olika symptom vilket gör det svårt att sätta rätt diagnos tidigt. Lyckas vi identifiera dessa patienter i tid kan vi rädda flera liv, säger Lisa Kurland.
Denna typ av verktyg skulle även kunna införas relativt enkelt på landets akutmottagningar.
– Journalsystemet skulle kunna göra personalen på akutmottagningar uppmärksamma på när en patient uppvisar de avgörande symptomen.
Maskininlärning som metod
I studien använde sig forskarna av maskininlärning för att analysera den stora mängden variabler kopplade till sepsis och förutsäga utgången för patienterna. På det sättet har de kunnat ringa in skillnader mellan de patienter som överlever och de patienter som dör i sepsis.
– För att bekräfta våra resultat är det också viktigt att upprepa denna typ av studie med flera patienter från andra sjukhus, säger Lisa Kurland.
Text: Jasenka Dobric
Foto: Örebro universitet och iStock