DOI: https://doi.org/10.1038/s41746-025-02180-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41559206
تاريخ النشر: 2026-01-20
المؤلف: Jérémie Despraz وآخرون
الموضوع الرئيسي: تشخيص وعلاج الإنتان
نظرة عامة
تسلط الأبحاث الضوء على تطوير والتحقق من صحة نظام التعلم الصحي المعتمد على الذكاء الاصطناعي (AI) لعلاج الإنتان كجزء من مبادرة مستشفى جامعة لوزان لتحسين رعاية الإنتان. يدمج نظام التعلم الصحي مسارًا سريريًا موحدًا مع خوارزمية HERACLES AI، التي تصنف بيانات المرضى إلى حالات إنتان مؤكدة، محتملة، أو غير صالحة كل ست ساعات. يولد هذا النظام لوحات معلومات ديناميكية تعرض مؤشرات جودة الرعاية، مما يوجه التدخلات السريرية.
أظهر تحليل البيانات من 97,559 إقامة للمرضى في أجنحة نظام التعلم الصحي مقارنة بـ 25,851 إقامة في الأجنحة الضابطة تحسينات كبيرة في نتائج المرضى. على وجه الخصوص، انخفضت معدلات الوفيات داخل المستشفى وفي غضون 90 يومًا لحالات الإنتان التي تم تحديدها بواسطة HERACLES في أجنحة نظام التعلم الصحي، بينما لم تُلاحظ أي تحسينات مماثلة في الأجنحة الضابطة. بالإضافة إلى ذلك، زادت ترميز الإنتان في أجنحة نظام التعلم الصحي، مما يشير إلى تعزيز التعرف وتوثيق حالات الإنتان. تُظهر هذه الدراسة إمكانيات أنظمة الذكاء الاصطناعي المتكاملة مع الأطباء لتعزيز اكتشاف الإنتان وتحسين نتائج المرضى في بيئات الرعاية الصحية.
مقدمة
تتناول مقدمة ورقة البحث القضية الصحية العالمية الحرجة المتعلقة بالإنتان، الذي يؤثر على حوالي 50 مليون فرد ويؤدي إلى 11 مليون وفاة سنويًا. على الرغم من التقدم في رعاية الإنتان، لا تزال التحديات في التعرف المبكر والإدارة قائمة، حيث تدعو حملة البقاء على قيد الحياة من الإنتان (SSC) إلى الإدارة الفورية للمضادات الحيوية وإنعاش السوائل كإجراءات أساسية. ومع ذلك، فإن الالتزام بهذه الإرشادات المستندة إلى الأدلة غالبًا ما يكون غير كافٍ، ويتم تقييمه بشكل أساسي من خلال دراسات استعادية تفتقر إلى رؤى طولية وتعتمد على الحساسية المحدودة لترميز التصنيف الدولي للأمراض (ICD) لمراقبة الإنتان.
تسلط الورقة الضوء على إمكانيات الذكاء الاصطناعي (AI) والتحولات الرقمية في الرعاية الصحية لتعزيز إدارة الإنتان من خلال أنظمة التنبيه الإلكترونية وأدوات دعم القرار السريري. ومع ذلك، غالبًا ما تفشل هذه الحلول الذكية في التقييم المستمر للأداء ودمج الرؤى السريرية الجديدة، مما يعيق فعاليتها في البيئات الواقعية. يقترح المؤلفون مفهوم أنظمة التعلم الصحي (LHSs) كإطار تحويلي يعزز حلقات التغذية الراجعة المستمرة بين الممارسة السريرية والبحث، مما يمكّن منظمات الرعاية الصحية من التعلم من تفاعلات المرضى. ومع ذلك، يتطلب الانتقال إلى أنظمة التعلم الصحي لإدارة الإنتان ابتكارات كبيرة في تكامل البيانات وتحسين سير العمل، بالإضافة إلى التزام بتحسين الجودة بشكل دوري، دون وجود نظام تعلم صحي تشغيلي مصمم خصيصًا لهذا الغرض.
طرق
تحدد قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح معايير اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. استخدم الباحثون مزيجًا من الطرق الكمية والنوعية لضمان فهم شامل للظواهر قيد التحقيق.
شملت جمع البيانات أدوات وبروتوكولات موحدة للحفاظ على الاتساق والموثوقية. شمل التحليل طرقًا إحصائية متقدمة، مثل تحليل الانحدار وANOVA، لتقييم العلاقات بين المتغيرات وتقييم أهمية النتائج. يبرز القسم أهمية الصرامة المنهجية في استخلاص استنتاجات صحيحة من البيانات.
نتائج
كان الهدف الرئيسي من هذه الدراسة هو تطوير والتحقق من صحة برنامج جودة رعاية الإنتان (SLHS) في مستشفى جامعة لوزان (CHUV). تُعتبر هذه المبادرة عنصرًا رئيسيًا في خطة المستشفى الاستراتيجية على مدى السنوات الخمس المقبلة. تشير النتائج إلى أن نظام التعلم الصحي يدعم بشكل فعال تحديد وإدارة حالات الإنتان، على الرغم من أنه من المهم ملاحظة أن الحالات المشفرة التي تم تحليلها لا تشمل العدد الإجمالي لحالات الإنتان الموجودة في الأجنحة. تم تنفيذ نظام HERACLES لتعزيز فهم هذه الحالات من خلال طرق استنتاجية.
مناقشة
تقدم الأبحاث تطوير وتنفيذ أول نظام تعلم صحي للإنتان (SLHS)، الذي يدمج مسارًا سريريًا موحدًا مع خط أنابيب مراقبة مدفوع بالذكاء الاصطناعي لتعزيز اكتشاف الإنتان وإدارته. في قلب هذا النظام توجد خوارزمية HERACLES، التي تحلل البيانات السريرية من سجل الإنتان الذي يشمل 97,500 إقامة للمرضى. تصنف HERACLES إقامات المرضى إلى فئات “لا إنتان”، “إنتان محتمل”، أو “إنتان مؤكد”، محققةً درجة F1 تبلغ 0.71 للحالات المؤكدة، مع منطقة تحت منحنى التشغيل (AUROC) تبلغ 0.88. أظهر النظام زيادة كبيرة في ترميز الإنتان ICD-10 وتحسين الالتزام بإرشادات العلاج، مما أدى إلى تقليل معدلات الوفيات داخل المستشفى وفي غضون 90 يومًا.
لقد أثبت النهج المتعدد الأبعاد لنظام التعلم الصحي، الذي يشمل التوثيق المنظم، والمراقبة الآلية، والتغذية الراجعة في الوقت الحقيقي، فعاليته في تحسين جودة رعاية الإنتان. ومن الجدير بالذكر أن النظام حدد حالات الإنتان بمعدل أعلى من الترميز التقليدي ICD-10، حيث تم التقاط 9-10% من إقامات المستشفى مقارنة بـ 2-4% من خلال الترميز وحده. على الرغم من بعض استقرار الأداء في HERACLES بعد نشره عبر أجنحة مختلفة، تشير النتائج العامة إلى أن نظام التعلم الصحي يعزز الممارسة السريرية من خلال توفير رؤى قابلة للتنفيذ وتعزيز تحسين الجودة المستمر في إدارة الإنتان. قد تركز التحسينات المستقبلية على استراتيجيات الكشف الشخصية لمعالجة تباين حالات الإنتان.
DOI: https://doi.org/10.1038/s41746-025-02180-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41559206
Publication Date: 2026-01-20
Author(s): Jérémie Despraz et al.
Primary Topic: Sepsis Diagnosis and Treatment
Overview
The research highlights the development and validation of an Artificial Intelligence (AI)-powered Sepsis Learning Health System (SLHS) as part of the Lausanne University Hospital’s initiative to improve sepsis care. The SLHS integrates a standardized clinical pathway with the HERACLES AI algorithm, which classifies patient data into confirmed, possible, or invalidated sepsis cases every six hours. This system generates dynamic dashboards that display quality-of-care indicators, thereby guiding clinical interventions.
Analysis of data from 97,559 patient stays in SLHS wards compared to 25,851 stays in control wards revealed significant improvements in patient outcomes. Specifically, in-hospital and 90-day mortality rates decreased for sepsis cases flagged by HERACLES in SLHS wards, while no such improvements were observed in control wards. Additionally, sepsis coding increased in SLHS wards, indicating enhanced recognition and documentation of sepsis cases. This study exemplifies the potential of clinician-integrated AI systems to enhance sepsis detection and improve patient outcomes in healthcare settings.
Introduction
The introduction of the research paper addresses the critical global health issue of sepsis, which affects approximately 50 million individuals and results in 11 million deaths annually. Despite advancements in sepsis care, challenges in early recognition and management persist, with the Surviving Sepsis Campaign (SSC) advocating for timely antibiotic administration and fluid resuscitation as essential interventions. However, adherence to these evidence-based guidelines is often inadequate, primarily assessed through retrospective studies that lack longitudinal insights and rely on the limited sensitivity of International Classification of Diseases (ICD) coding for sepsis surveillance.
The paper highlights the potential of Artificial Intelligence (AI) and digital healthcare transformations to enhance sepsis management through electronic alerting systems and clinical decision support tools. Nevertheless, these AI solutions often fall short in continuous performance evaluation and integration of new clinical insights, hindering their effectiveness in real-world settings. The authors propose the concept of Learning Health Systems (LHSs) as a transformative framework that fosters continuous feedback loops between clinical practice and research, enabling healthcare organizations to learn from patient interactions. However, the transition to LHSs for sepsis management requires significant innovations in data integration and workflow optimization, as well as a commitment to iterative quality improvement, with no existing operational LHS specifically designed for this purpose.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection criteria for participants, the design of the experiments, and the statistical techniques used for data analysis. The researchers utilized a combination of quantitative and qualitative methods to ensure a comprehensive understanding of the phenomena under investigation.
Data collection involved standardized instruments and protocols to maintain consistency and reliability. The analysis included advanced statistical methods, such as regression analysis and ANOVA, to evaluate the relationships between variables and assess the significance of the findings. The section emphasizes the importance of methodological rigor in drawing valid conclusions from the data.
Results
The primary objective of this study was to develop and validate the Sepsis Quality of Care Program (SLHS) at the Lausanne University Hospital (CHUV). This initiative is a key component of the hospital’s strategic plan over the next five years. The results indicate that the SLHS effectively supports the identification and management of sepsis cases, although it is important to note that the coded cases analyzed do not encompass the total number of sepsis cases present in the wards. The HERACLES system is implemented to enhance the understanding of these cases through inferential methods.
Discussion
The research presents the development and implementation of the first Sepsis Learning Health System (SLHS), which integrates a standardized clinical pathway with an AI-driven monitoring pipeline to enhance sepsis detection and management. Central to this system is the HERACLES algorithm, which analyzes clinical data from a sepsis registry encompassing 97,500 patient stays. HERACLES classifies patient stays into categories of “no sepsis,” “possible sepsis,” or “confirmed sepsis,” achieving an F1 score of 0.71 for confirmed cases, with an Area Under the Receiver Operating Characteristic (AUROC) of 0.88. The system demonstrated a significant increase in ICD-10 sepsis coding and improved adherence to treatment guidelines, leading to a reduction in both in-hospital and 90-day mortality rates.
The SLHS’s multifaceted approach, which includes structured documentation, automated monitoring, and real-time feedback, has proven effective in improving sepsis care quality. Notably, the system identified sepsis cases at a higher rate than traditional ICD-10 coding, capturing 9-10% of hospital stays compared to 2-4% through coding alone. Despite some performance plateauing in HERACLES following its deployment across various wards, the overall findings suggest that the SLHS enhances clinical practice by providing actionable insights and fostering continuous quality improvement in sepsis management. Future refinements may focus on personalized detection strategies to address the heterogeneity of sepsis cases.