There is a large body of evidence showing that delayed initiation of sepsis bundle is associated with adverse clinical outcomes in patients with sepsis. However, it is controversial whether electronic automated alerts can help improve clinical outcomes of sepsis. Electronic databases are searched from inception to December 2021 for comparative effectiveness studies comparing automated alerts versus usual care for the management of sepsis. A total of 36 studies are eligible for analysis, including 6 randomized controlled trials and 30 non-randomized studies. There is significant heterogeneity in these studies concerning the study setting, design, and alerting methods. The Bayesian meta-analysis by using pooled effects of non-randomized studies as priors shows a beneficial effect of the alerting system (relative risk [RR]: 0.71; 95% credible interval: 0.62 to 0.81) in reducing mortality. The automated alerting system shows less beneficial effects in the intensive care unit (RR: 0.90; 95% CI: 0.73–1.11) than that in the emergency department (RR: 0.68; 95% CI: 0.51–0.90) and ward (RR: 0.71; 95% CI: 0.61–0.82). Furthermore, machine learning-based prediction methods can reduce mortality by a larger magnitude (RR: 0.56; 95% CI: 0.39–0.80) than rule-based methods (RR: 0.73; 95% CI: 0.63–0.85). The study shows a statistically significant beneficial effect of using the automated alerting system in the management of sepsis. Interestingly, machine learning monitoring systems coupled with better early interventions show promise, especially for patients outside of the intensive care unit.

大量证据表明，脓毒症束的延迟启动与脓毒症患者的不良临床结果相关。然而，电子自动警报是否有助于改善脓毒症的临床结果存在争议。从开始到 2021 年 12 月，对电子数据库进行了搜索，以比较自动警报与脓毒症管理的常规护理的有效性比较研究。共有 36 项研究符合分析条件，包括 6 项随机对照试验和 30 项非随机研究。这些研究在研究设置、设计和警报方法方面存在显着的异质性。通过使用非随机研究的汇总效应作为先验的贝叶斯荟萃分析显示了警报系统的有益效果（相对风险 [RR]：0.71；95% 可信区间：0.62 到 0.81）在降低死亡率方面。自动警报系统在重症监护室 (RR: 0.90; 95% CI: 0.73–1.11) 的有益效果低于急诊科 (RR: 0.68; 95% CI: 0.51–0.90) 和病房 (RR: 0.71；95% CI：0.61–0.82)。此外，与基于规则的方法（RR：0.73；95% CI：0.63-0.85）相比，基于机器学习的预测方法可以更大程度地降低死亡率（RR：0.56；95% CI：0.39-0.80）。该研究表明，在脓毒症管理中使用自动警报系统具有统计学意义的有益效果。有趣的是，机器学习监控系统与更好的早期干预相结合显示出前景，特别是对于重症监护室以外的患者。自动警报系统在重症监护室 (RR: 0.90; 95% CI: 0.73–1.11) 的有益效果低于急诊科 (RR: 0.68; 95% CI: 0.51–0.90) 和病房 (RR: 0.71；95% CI：0.61–0.82)。此外，与基于规则的方法（RR：0.73；95% CI：0.63-0.85）相比，基于机器学习的预测方法可以更大程度地降低死亡率（RR：0.56；95% CI：0.39-0.80）。该研究表明，在脓毒症管理中使用自动警报系统具有统计学意义的有益效果。有趣的是，机器学习监控系统与更好的早期干预相结合显示出前景，特别是对于重症监护室以外的患者。自动警报系统在重症监护室 (RR: 0.90; 95% CI: 0.73–1.11) 的有益效果低于急诊科 (RR: 0.68; 95% CI: 0.51–0.90) 和病房 (RR: 0.71；95% CI：0.61–0.82)。此外，与基于规则的方法（RR：0.73；95% CI：0.63-0.85）相比，基于机器学习的预测方法可以更大程度地降低死亡率（RR：0.56；95% CI：0.39-0.80）。该研究表明，在脓毒症管理中使用自动警报系统具有统计学意义的有益效果。有趣的是，机器学习监控系统与更好的早期干预相结合显示出前景，特别是对于重症监护室以外的患者。61–0.82)。此外，与基于规则的方法（RR：0.73；95% CI：0.63-0.85）相比，基于机器学习的预测方法可以更大程度地降低死亡率（RR：0.56；95% CI：0.39-0.80）。该研究表明，在脓毒症管理中使用自动警报系统具有统计学意义的有益效果。有趣的是，机器学习监控系统与更好的早期干预相结合显示出前景，特别是对于重症监护室以外的患者。61–0.82)。此外，与基于规则的方法（RR：0.73；95% CI：0.63-0.85）相比，基于机器学习的预测方法可以更大程度地降低死亡率（RR：0.56；95% CI：0.39-0.80）。该研究表明，在脓毒症管理中使用自动警报系统具有统计学意义的有益效果。有趣的是，机器学习监控系统与更好的早期干预相结合显示出前景，特别是对于重症监护室以外的患者。