Lekcija 1Osnove patofiziologije sepse in kliničnih meril (SIRS, qSOFA, SOFA, Sepsis-3)Pregleda biologijo sepse in odziv gostitelja, nato povezuje te mehanizme z znaki ob postelji, kot so nizki krvni tlak, tahikardija in okvara organov. Primerja merila SIRS, qSOFA, SOFA in Sepsis-3 ter njihovo uporabo pri triaži na urgenci.
Host response to infection and organ dysfunctionHemodynamic changes and microcirculatory failureSIRS, qSOFA, SOFA: components and thresholdsSepsis-3 definition and septic shock criteriaLimitations of clinical scores in the EDLekcija 2Varnost, načini odpovedi in omilitev: lažni pozitivi/negativi, drift modela, težave s kakovostjo podatkov, nasprotni vnosiPrepoznava varnostne tveganja, kot so lažni pozitivi, lažni negativni, drift modela in slaba kakovost podatkov. Raziskuje nasprotne ali nepričakovane vnose, robustno spremljanje, zaščitne ograje, človeški nadzor in postopke za varne posodobitve modela.
False positives, false negatives, and harm modesData quality checks and anomaly detectionModel drift, recalibration, and retrainingAdversarial or unexpected input handlingHuman oversight, overrides, and governanceLekcija 3Metrike vrednotenja in strategije validacije za napovedovanje sepse: AUROC, AUPRC, kalibracija, predhodni čas, analiza krivulje odločanjaOpredeljuje ključne metrike uspešnosti za napovedovanje sepse, vključno z AUROC, AUPRC, kalibracijo in predhodnim časom. Razlaga notranjo in zunanjo validacijo, temporalno validacijo ter analizo krivulje odločanja za oceno klinične uporabnosti.
AUROC, AUPRC, and class imbalanceCalibration curves and risk stratificationLead time and horizon-specific performanceInternal, external, and temporal validationDecision curve analysis and net benefitLekcija 4Inženiring značilnosti in temporalno modeliranje: predobdelava časovnih vrst, drseča okna, ekstrakcija trendovRazlaga, kako očistiti in poravnati podatke časovnih vrst z urgencije za modeliranje. Obravnava ponovno vzorčenje, ravnanje z nepravilnimi intervali, drseča okna, značilnosti trenda in variabilnosti ter kodiranje intervencij in kliničnega konteksta skozi čas.
Time alignment, resampling, and interpolationSliding windows and prediction horizonsTrend, variability, and derivative featuresEncoding interventions and care escalationHandling irregular and sparse time-seriesLekcija 5Modeli strojnega učenja za napovedovanje akutnega tveganja: logistična regresija, gradientno povečana drevesa, RNN, temporalna konvolucijska omrežja, transformatorji za časovne vrstePrimerja pristope modeliranja za napovedovanje akutnega tveganja sepse, od logistične regresije do gradientno povečanih dreves in globokih sekvenčnih modelov. Poudarja prednosti, omejitve, interpretabilnost in primernost za časovne omejitve na urgenci.
Logistic regression and regularization choicesGradient boosted trees and feature importanceRecurrent neural networks for sequencesTemporal convolutional networks for time-seriesTransformers for clinical time-series dataLekcija 6Modalnosti podatkov za zaznavanje sepse v realnem času: vitalni znaki, laboratorij, beležke sester, zdravila, valovne oblikeOpisuje ključne tokove realnih časovnih podatkov na urgenci, vključno z vitalnimi znaki, laboratorijskimi testi, zdravili, dokumentacijo medicinskih sester in fiziološkimi valovnimi oblikami. Razpravlja o frekvencah vzorčenja, zanesljivosti in kako vsaka modalnost signalizira razvijajočo se sepso.
Vital signs and continuous monitoring feedsLaboratory panels, cultures, and turnaround timesMedication orders, fluids, and vasopressorsNursing notes, triage text, and flowsheetsWaveforms from monitors and bedside devicesLekcija 7Integracija z delovnimi tokovi na urgenci in sistemi EHR: tokovi dogodkov, FHIR, HL7, aplikacije SMART on FHIR, CDS HooksOpisuje, kako se modeli AI za sepso integrirajo v delovne tokove in EHR na urgenci. Pregleda tokove dogodkov, HL7, vire FHIR, aplikacije SMART on FHIR in CDS Hooks, pri čemer poudarja uporabnost, zanesljivost in minimalno motenje klinične prakse.
Event-driven architectures and data streamsHL7 and FHIR resources for sepsis signalsSMART on FHIR apps for bedside decision supportCDS Hooks for context-aware recommendationsWorkflow mapping and usability testingLekcija 8Oblikovanje kliničnih opozoril in človeški dejavniki: pragovi, omilitev utrujenosti od alarmov, eskalacijski delovni tokovi, kdo prejme opozorilaObravnava načela oblikovanja opozoril za klinične delavce na urgenci, vključno z izbiro pragov, stopenjskimi opozorili in usmerjanjem na ustrezne vloge. Obravnava utrujenost od alarmov, čas opozarjanja, poti eskalacije in predstavljanje razlag ter konteksta.
Choosing thresholds and alert tiersAlarm fatigue and suppression strategiesWho receives alerts and on which channelsEscalation workflows and handoff supportExplaining alerts and providing contextLekcija 9Regulativne in dokazne zahteve za diagnostično AI: razmatranja FDA/CMS, oblikovanje študij klinične validacije, prospektivni piloti, standardi poročanja (TRIPOD, CONSORT-AI)Oblikuje regulativna in dokazna pričakovanja za diagnostično AI pri sepsi, vključno s potmi FDA, razmatranji CMS in klinično validacijo. Pregleda prospektivne pilote in standarde poročanja, kot sta TRIPOD in CONSORT-AI.
FDA pathways for diagnostic support toolsCMS, reimbursement, and quality programsDesigning robust clinical validation studiesProspective pilots and phased rolloutsTRIPOD and CONSORT-AI reporting guidanceLekcija 10Razmisleki o pogostosti uvedbe in zakasnitvah: pretok v skoraj realnem času proti ocenjevanju v serijah, ravnanje z manjkajočimi in zamujajočimi podatkiRazpravlja o arhitekturah uvedbe za modele sepse, primerja pretok v skoraj realnem času z ocenjevanjem v serijah. Obravnava proračune zakasnitev, ravnanje z manjkajočimi ali zamujajočimi podatki, povratno polnjenje in spremljanje zdravja podatkovnega cevovoda na urgenci.
Near-real-time streaming vs batch scoringLatency budgets and SLA definitionsImputation for missing and delayed inputsBackfilling, replay, and late-arriving dataMonitoring pipelines and system resilience