مداخله‌های به‌موقع، مانند آنتی‌بیوتیک‌ها و مایعات داخل وریدی، با کاهش مرگ‌ومیر در بیماران مبتلا به سپسیس مرتبط است. مدل‌های هوش مصنوعی (AI) که به‌طور دقیق خطر شروع سپسیس را پیش‌بینی می‌کنند، می‌توانند سرعت ارائه این مداخلات را افزایش دهند. اگرچه مدل‌های سپسیس معمولاً هدفشان پیش‌بینی شروع آن است، پزشکان ممکن است قبل از اینکه سپسیس مشخص شود، آن را شناسایی و درمان کنند. پیش‌بینی‌هایی که پس از شناسایی بالینی سپسیس (یعنی پس از شروع درمان) انجام می‌شوند، ممکن است کاربرد محدودی داشته باشند. محققان قبلاً دقت پیش‌بینی‌های خطر سپسیس که قبل از شروع درمان انجام می‌شود را بررسی نکرده‌اند. بنابراین، محققان در این مقاله عملکرد تفکیکی پیش‌بینی‌های سپسیس AI را در طول یک دوره بستری نسبت به زمان درمان ارزیابی کردند. محققان از یک گروه بزرگ بیمارستانی گذشته‌نگر از مرکز پزشکی دانشگاه میشیگان (۲۰۱۸–۲۰۲۰) برای ارزیابی مدل سپسیس اپیک (ESM) استفاده کردند. توانایی مدل برای پیش‌بینی سپسیس، هم قبل از برآورده شدن معیارهای سپسیس و هم قبل از نشانه‌های برنامه‌های درمانی برای سپسیس، بر اساس مساحت زیر منحنی ویژگی‌های عملکرد گیرنده (AUROC) ارزیابی شد. نشانه‌های برنامه درمانی از طریق جمع‌آوری داده‌های الکترونیکی شناسایی شدند و شامل دریافت آنتی‌بیوتیک‌ها، مایعات، کشت خون و/یا اندازه‌گیری لاکتات بودند. تعریف سپسیس ترکیبی از معیارهای نظارتی مراکز کنترل و پیشگیری بیماری و تعریف بسته مدیریت سپسیس شدید و شوک سپتیک بود. این مطالعه شامل ۷۷,۵۸۲ بستری بود. سپسیس در ۳,۷۶۶ بستری (۴.۹٪) رخ داد. ESM AUROC برابر با ۰.۶۲ (با فاصله اطمینان ۹۵٪ [CI]، ۰.۶۱ تا ۰.۶۳) را هنگام شامل کردن پیش‌بینی‌ها قبل از برآورده شدن معیارهای سپسیس و در برخی موارد، پس از شناسایی بالینی به دست آورد. هنگامی که پیش‌بینی‌های پس از شناسایی بالینی حذف شدند، AUROC به ۰.۴۷ (با CI ۹۵٪، ۰.۴۶ تا ۰.۴۸) کاهش یافت.