每年在汉密尔顿和安大略省，败血症影响全球3000多万人，估计有600万人死亡。败血症是身体的感染.安大略省汉密尔顿市每年，败血症影响全球3000多万人，估计有600万人死亡。脓毒症是机体对感染的极端反应，通常会危及生命。

因为每延迟一小时治疗，死亡率就会增加4%到8%，所以及时准确地预测脓毒症对于降低发病率和死亡率非常重要。为此，各种医疗保健组织已经部署了预测分析，以通过使用电子病历数据来帮助识别败血症患者。

一个包括来自麦克马斯特大学和圣约瑟夫医疗保健汉密尔顿的数据科学家、医生和工程师在内的国际研究团队创造了一种人工智能预测算法，大大提高了数据驱动的败血症预测的及时性和准确性。

研究合著者、麦克马斯特德根商学院卫生政策与管理助理教授马纳夫扎古什(Manaf Zargoush)表示，使用AI和临床数据可以非常准确、非常早期地预测脓毒症，但临床医生和数据科学家面临的关键问题是，这些算法需要多少历史数据才能做出准确预测，以及它们可以多早准确预测脓毒症。

为了预测临床护理环境中的脓毒症，一些系统使用EMR数据和疾病评分工具来确定脓毒症风险评分，其本质上是一种数字化和自动化的评估工具。更先进的系统使用预测分析来超越风险评估并识别败血症本身。

研究人员使用人工智能预测分析创建了一种称为双向长期和短期记忆的算法。它检查了四个关键领域的几个变量：管理变量的停留时间、住院和重症监护室停留之间的时间等。)，生命体征，人口学和实验室检查。与其他算法相比，BiLSTM是一种更复杂的机器学习子集，称为深度学习，它使用神经网络来提高其预测能力。