使用機器學習及訊號處理理論整合感染症病患的生理訊號、自律神經失衡、傳統及新穎的炎症生物標記、來發展及驗證早期預估治療效果的臨床預測模型：一個敗血症生物標誌在急診的醫院世代研究

敗血症是個世界性盛行高死亡率的疾病。直至今日，已經有多達178 個和34 個生物標記分別發展給敗血症的診斷和嚴重度分級。然而，沒有一個能夠有足夠的表現來推薦給臨床人員做臨床的引指。因此，許多研究者提倡形成一個生物標記”模組”，或是”標識”來給第一線醫護人員使用。隨著醫學工程進化，愈來愈多生理指標可以連續性非侵襲性的監測病危病人的生理血行動力狀況。許多研究指出，以心律變異度為首針對自律神經的監控，可以比傳統的生命徵象監控，要來得更早可以知道感染症病患的惡化情形。然而，大部份針對敗血症的觀察型研究，都只針對生理指標或生物標記來嘗試早期預測病患的預後，隨著機器學習和訊號處理的理論被更多的運用，現在正是開始大型觀察性研究的時機。我們進一步希望觀察除了存活率、敗血性休克及併發症的發生之外，能夠以這些指標來預準治療的成功或失敗，可以給臨床人員更多個人化醫療的判斷，甚至進一步改變治療的方針。在這個研究中，我們計劃啟始一個四部份的系列研究來達到以上的目標：1)一連串的系統性回顧和統合分析來評估不同生物標記的表現；2)一個十二年的回顧性敗血症世代研究來比較現行臨床診療和生物標記的效能；3)一個前瞻性嵌入性病例對照研究，收集一共240 個病患來評估生理指標和生物標記的模組，且在不同敗血症分期來早期診斷敗血症；以及4)一個完整的生物銀行來與詳細的敗血症世代研究做連結。

系統編號:PC10607-0357
原計畫編號:MOST106-2314-B182-028