重症领域的“隐形杀手” 血流感染（BSI），始终是临床面临的严峻挑战。传统 APACHE II 评分难以精准捕捉个体差异，早期识别高风险患者、优化治疗决策一直是临床痛点。在 2026 年 ESCMID 大会上，来自澳大利亚莫纳什大学与 Alfred Health 的研究团队带来的 SuperbugAI 平台研究，为这一难题带来了突破性解法。
该研究创新性构建了融合电子健康记录（EHR）与病原体全基因组数据的多模态 AI 模型，打破传统预测工具的局限。研究纳入 2018-2023 年间 3343 次血流感染住院事件、2535 名患者的超 850 万条数据，涵盖结构化生命体征、病理指标与非结构化临床笔记；同时对所有致病菌完成 Illumina 全基因组测序，通过新型基因组大语言模型（gLLM）整合病原数据，搭建自动化、可扩展的数据处理与标准化流程。
研究结果振奋人心：相较于传统 APACHE II 评分（死亡率预测 AUROC=0.74），融合全量 EHR 数据的深度学习模型，死亡率预测 AUROC 高达 0.933，ICU 入住需求预测 AUROC 更是达到 0.98，住院时长延长、30 天再入院率的预测效能也全面超越传统模型。
更关键的是，加入微生物基因组特征后，模型不仅进一步提升预测性能，还识别出与细菌毒力、抗生素耐药通路相关的关键基因特征，为精准抗感染治疗提供了新靶点。
这一研究证明，多模态 AI 整合标准化 EHR 与基因组数据，可实现对血流感染患者不良预后的精准预测，为临床分层管理、早期干预提供有力工具。未来，随着这类 AI 平台的优化，有望推动感染性疾病诊疗从 “经验治疗” 向 “精准医疗” 跨越，为重症患者带来更多生存希望
