在加護病房這類高風險環境裡，護理人員有著比輸入資料更緊迫的任務，也就是提醒醫院使用能自動測量患者生命跡象的裝置。
這些能節省時間的機器所創造出的患者資料量，遠超過手動輸入的資料量，讓人工智慧有機會從中挖掘各種資訊，以便及早發現嚴重的併發症。
其中一項嚴重的併發症即是敗血症，這是一種免疫系統在對抗感染時出現的過度發炎反應，可能會危及生命。
田納西大學健康科學中心兒科系生物醫學資訊學中心助理教授 Rishikesan Kamaleswaran 說：「要是治療的動作慢一點，（敗血症的）致死風險每小時都在上升。」
美國疾病管制與預防中心指出美國醫院裡有三分之一的患者死於敗血症，且美國每年有超過7.5萬例的兒童患有嚴重敗血症，Kamaleswaran 表示兒童的敗血症致死率高於成人，接近五成的比例。許多倖存者日後在健康方面都會出現問題，或是認知發展有所變化。
要診斷敗血症並不容易，它有著諸多症狀而沒有明確定義。嚴重的敗血症會造成患者血壓下降、心跳速度快速上升、需氧量增加及器官開始衰竭。
Kamaleswaran 說：「患者無顯著原因便出現過度反應，護理人員通常就會將其歸類為敗血症。」
Kamaleswaran 及其研究團隊正在著手開發一種深度學習模型，可以較傳統篩檢法提前24個小時檢測出敗血症。早期提醒讓醫師有機會進行測試以確認診斷結果，或者單純更頻繁查看患者以監測症狀。
Kamaleswaran 及其研究團隊與 Le Bonheur 兒童醫院合作收集小兒敗血症資料。照片：Le Bonheur 兒童醫院兒科加護病房主任 Dr. Samir Shah。（照片由 Le Bonheur 兒童醫院提供）
敗血症的症狀
每名敗血症患者在不同時間點出現症狀，有些可能表現出早期症狀，而其他人可能只會在出現多重器官衰竭的情況後，在臨床上才診斷出罹患敗血症。
「可惜這是一個極為被動的過程，要等到患者變得很嚴重了才會發現。」Kamaleswaran 說。
而且按照哪些器官出現衰竭的情況，致死的時間也不一樣：心臟停止跳動或呼吸窘迫可能會在幾分鐘內致命，腎衰竭患者則可以進行透析再延長一週的生命，或是藉由治療來恢復腎臟功能。
一般是利用驗血的方式來診斷敗血症，而驗血這種侵入性的作法會增加患者接觸到更多潛在感染源的機會。然而過去的研究資料指出，心率及血氧飽和度等非侵入性的症狀也會指出對感染的病理反應。
Kamaleswaran 及其研究團隊選擇使用非侵入性的資料來開發其神經網路。
仔細研究來自加護病房的資料
現代醫院的標準加護病房要求護理人員，每二到四小時取得一次心率、血氧濃度和血壓等生命跡象的數字，不過放置在病床邊的自動化機器能每分鐘一次取得這些資料，也開始受到大量使用。
Kamaleswaran 說：「院方不是為了資料科學的目的來收集這些資料，而是為了減輕護理人員的工作負擔。」護理人員可以使用從監視器自動取得的資料，無需以人工方式觀看和輸入每位患者的資料，進而省下寶貴的時間。
研究人員以每分鐘採取一次的方式，收集了數百名年齡在6到18歲的兒科加護病房患者資料，以建立其資料組。他們使用一套篩選系統（非採用機器學習技術）來監測患者，在生命跡象超過某個門檻值時會發出警告，指出患者可能出現敗血症的症狀。
要是發出警告，護理人員會在兩小時內親自對患者進行檢查，確認患者是否患有敗血症。
研究人員使用單一 NVIDIA GPU，搭配 TensorFlow 及 Keras 軟體來對其卷積神經網路進行測試。
理想的演算法應該及早預測出敗血症，時間上也不能太早，以免獲得過多的假陽性警訊，感染風險也不一定就真的會出現感染。研究人員的卷積神經網路在靈敏度為 75% 時，準確度超過八成。
最近在由 Dr. Oguz Akbilgic、Dr. Samir Shah 及 Dr. Robert L. Davis 等研究人員共同撰寫的報告裡，發表了這些研究結果。
他們的目標是將這種深度學習模型用於患者病床邊的監測裝置，以便在醫院即時進行診斷。不過研究人員得先建立更大的敗血症患者資料庫，以提高模型的精確度。
他們為此與 Le Bonheur 兒童醫院及多倫多病童醫院合作，還運用 NVIDIA GPU 獎助金計畫的 TITAN Xp GPU 開發一種可在 GPU 上運行的推論軟體，以便在患者病床邊運行敗血症檢測軟體。