Background: Despite high associated mortality and high treatment costs, sepsis remains difficult to
diagnose, particularly viral sepsis in COVID-19 infection with bacterial coinfection. A recent
supplement to sepsis management are systems based on machine learning (ML). Objective of the study.
Proof of concept and presentation of a ML-based clinical application for the early prediction of sepsis.
Material and Methods. The data comes from the publicly accessible database Early Prediction of
Sepsis from Clinical Data – the PhysioNet Computing in Cardiology Challenge 2019 and include 40366
intensive care clinical cases, of which 7.27% are patients with sepsis, and 92.73% – with other
diagnoses. Exploratory data analysis and data processing are performed in RStudio, and ML - on H2O
platform (www.h2o.ai). Results.Based on the processing of the large data set, an intelligent system is
built, which allows the prediction of sepsis 4 hours before the onset and which can be delivered as an
application for clinical use. The performance metrics are: accuracy – 0.91, specificity – 0.93 and
sensitivity – 0.84. Conclusion. The ML-based clinical applications still currently have a little explored
clinical potential, which once exploited could essentially change the management of critically ill
patients. Benefits of such applications would be: early differential diagnosis, cost reduction, higher
quality care, etc.
Introducere. În pofida unei înalte mortalități asociate și a costurilor ridicate ale tratamentului, sepsisul
rămâne dificil de diagnosticat, în special, sepsisul viral în COVID-19 cu coinfecție bacteriană. Un
supliment recent la managementul sepsisului sunt sistemele de învățare automată (SÎA). Scopul
lucrării. Elaborarea și prezentarea prototipului unei aplicații clinice în baza SÎA pentru prezicerea
timpurie a sepsisului. Material și Metode. Datele provin din baza de date de accces public “Early
Prediction of Sepsis from Clinical Data–the PhysioNet Computing in Cardiology Challenge 2019”:
40366 cazuri, dintre care 7,27% sunt pacienți cu sepsis, iar 92,73% – cu alte diagnoze, toți din terapie
intensivă. Analiza explorativă și procesarea datelor sunt efectuate în RStudio, iar învățarea automată -
pe platforma H2O. Rezultate. În baza prelucrării setului larg de date este construit un sistem inteligent,
care permite prezicerea sepsiului cu 4 ore pană la debut și care poate fi livrat sub formă de aplicație
pentru utilizare clinică. Metricele de perormanță sunt: acuratețe – 0,91, specificitate – 0,93 și
sensitivitate – 0,84. Concluzii. Tehnologiile SÎA au, la moment, un potențial deocamdată puțin explorat
care, odată valorificat, ar putea schimba esențial managementul pacienților septici. Beneficiile ar
include: un diagnostic precoce, reducerea costului tratamentului, creșterea calității actului medical etc.