有时，治疗可能会使病情变得更糟，而且很难知道不同阶段的症状究竟意味着什么。

这就是败血症治疗的现状。在美国，每年有近27万人死于败血症——可悲的是，有时用来减缓败血症的治疗方法会加速败血症的发生。

现在，来自微软研究院、多伦多大学、印度奥多比公司和麻省理工学院的研究人员联合起来，利用机器学习来预测治疗的合理进展。

新的机器学习模型是专门针对败血症治疗的。以前，训练一个模型来处理败血症治疗一直很困难，因为许多被认为对患者不利的方法在治疗过程中从没有尝试过，导致缺乏关于哪种治疗方法最理想的数据。因此，研究人员反过来训练了这个模型，帮助它了解应该避免哪些治疗，以防止出现医学“死胡同”。

死胡同可能是路的尽头。因此研究团队定义医学死胡同：一旦你走上了一条无论你做什么决定的道路，病人都会走向死亡。

研究人员称这种方法为“发现死胡同”或“DeD（Dead-endDiscovery）”。以消极结果为中心的神经网络由一个以积极结果为中心的神经网络进行补充，积极网络检查消极网络的结论。到目前为止，结果是有希望的。研究人员称：“我们发现，我们的模型几乎比医生早8小时认识到病人病情恶化。”这是非常重要的，因为在这些非常敏感的情况下，每一分钟都很重要，了解患者的病情变化，以及在任何特定时间实施特定治疗的风险，这非常重要。

该模型在一家医疗中心的败血症患者数据集上进行了测试，该数据集包括1.93万名住院患者。基于该数据集，研究人员得出结论：“有超过11%的次优治疗本可以更优，因为在那个时候，医生有更好的替代方案。”

当然，研究人员不认为该模型能够取代人类临床医生。项目研究人员希望人类临床医生做出治疗决定，并建议避免何种治疗，这一点不会改变。

通过机器学习模型，可以根据1.9万名患者的治疗结果识别风险，并增加相关的案例参考——这相当于让一名医生在一年中每天看到50多名败血症患者的治疗结果，能够让他的诊断和治疗更加精准。