# 密歇根医学中心对 Epic 脓毒症预警模型的外部验证:AUC 0.63,漏掉 67% 的脓毒症患者,同时对全部住院患者的 18% 发出警报

网页: https://flyvolo.ai/zh/changes/ev-20210621-registered-nurse-4
日期: 2021-06-21 · 阶段: 限制或撤回
这条记录能改变任务判断吗? 能
职业: https://flyvolo.ai/zh/careers/registered-nurse

## 适用范围

美国一家学术医疗系统,2018 年 12 月 6 日至 2019 年 10 月 20 日,27,697 名患者、38,455 次住院,其中 6.6% 发生脓毒症。在实际启用的阈值下,模型多找出 183 例(占 2,552 例的 7%)临床本已漏掉的脓毒症。厂商自报 AUC 为 0.76–0.83。这是单一机构对单一广泛部署的商业模型的验证,不代表所有早期预警工具;Epic 此后改版了该模型。

## 来源

- JAMA Internal Medicine — Wong et al. 181(8) (open-access copy, PMC8218233) — https://pmc.ncbi.nlm.nih.gov/articles/PMC8218233/ (一手来源)

## 这意味着什么

这个模型是在真实医院里跑着的,而它自己的数字说明了「守着病人」被自动化的代价:在实际启用的阈值下,它对近五分之一的住院发出警报,同时漏掉三分之二的脓毒症。稀缺的不是检出,是校准 —— 一个少到还有人信的床边判断。

## 它还不能说明什么

它不能说明预测式监测走不通。这是单一机构、单一商业模型、十一个月的验证,Epic 此后重建了该模型。它也不能说明护士的工时保住了:没人信的警报照样要评估、要记录,所以一个校准糟糕的工具可以只加活、不减活。

## 怎么自己核实

如果你所在的病区有早期预警评分,带着数字问两个问题:每个班次触发多少条警报,其中多少条真的改变了谁的处置。任何厂商报的 AUC,如果不附上你们那个阈值下的警报率,就只是半个数。


更多: https://flyvolo.ai/llms.txt