Predicción de la Susceptibilidad Antimicrobiana Basada en Aprendizaje Automático: Un Paso Hacia la Administración...

Área de la Ciencia:

• Enfermedades Infecciosas
• Informática Médica
• Biología Computacional

Sus antecedentes:

• La resistencia a los antimicrobianos (RAM) es una amenaza importante para la salud mundial.
• El uso empírico de antibióticos de amplio espectro y los retrasos en los datos de susceptibilidad empeoran la RAM.
• La predicción de la resistencia en el momento del cultivo es crucial para un tratamiento eficaz.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático (ML) para predecir la resistencia bacteriana a los antibióticos.
• Utilizar datos de registros de salud electrónicos (EHR) recopilados de forma rutinaria para la predicción de la resistencia.
• Mejorar la selección temprana de antibióticos empíricos y la administración de antimicrobianos.

Principales métodos:

• Se desarrollaron y validaron modelos de ML utilizando datos de EHR de encuentros hospitalarios y ambulatorios.
• Se centró en predecir la resistencia en el momento del cultivo bacteriano de sangre, orina o vías respiratorias.
• Se evaluó el rendimiento del modelo, particularmente en entornos hospitalarios con datos más completos.

Principales resultados:

• Los modelos de ML demostraron una sólida precisión predictiva para la resistencia a los antibióticos.
• Los modelos identificaron patrones de resistencia de forma independiente, reflejando el razonamiento clínico.
• El rendimiento fue notablemente fuerte en entornos hospitalarios.

Conclusiones:

• Los modelos de ML que utilizan datos de EHR pueden predecir con precisión la resistencia a los antibióticos.
• La integración en los flujos de trabajo clínicos puede mejorar la selección de antibióticos empíricos.
• Estas herramientas apoyan la administración de antimicrobianos y reducen el uso excesivo de antibióticos de amplio espectro.