利用AI改善急诊科脓毒症诊疗质量

数据集获取

源站：https://clinicaltrials.gov/study/NCT07581340

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

疾病：脓毒症。脓毒症是全球发病和死亡的主要原因，并且仍然是医院质量改进工作的重点。在美国，医疗保险和医疗补助服务中心（CMS）的严重脓毒症和脓毒性休克管理集束化治疗（SEP-1）是一项公开报告的质量指标，用于评估对循证诊疗流程的依从性，包括及时使用抗生素、液体复苏和实验室检测。尽管其重要性不言而喻，但SEP-1被广泛认为是一项复杂的指标，由数十个必须在特定时间范围内完成的独立要素组成。依从性评估通常依赖于人工病历摘录，这种方式资源消耗大、存在变异性，且仅对一小部分病例进行，并延迟数月。这些局限性降低了SEP-1报告推动临床诊疗及时改进的能力。人工智能（AI）的进步，特别是大语言模型（LLM），为从非结构化医疗记录中自动提取和解读临床信息提供了机会。

既往研究已证明，大语言模型在应用于复杂临床抽象任务时，可与专家评审者达成高度一致。在此基础上，本研究评估将AI辅助的病历抽象整合到真实临床工作流程中，是否能够通过向临床医生提供近实时反馈，从而改善复杂质量指标的绩效表现。本研究是一项前瞻性、整群随机质量改进计划，在单一医疗系统内的两个学术急诊科开展。主治急诊医师按提供者层面被随机分配到接受AI生成反馈的干预组或接受标准质量报告反馈的对照组。选择在医师层面进行随机化，旨在最大限度减少污染，同时保留真实临床工作流程。所有

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。