カテーテル関連血流感染症患者におけるMDRO感染予測のための複数の機械学習アルゴリズムの比較と検証：多施設共同コホート研究

科学分野:

• 医療情報学
• ヘルスケアにおける機械学習
• 感染症疫学

背景:

• 多剤耐性菌（MDRO）によるカテーテル関連血流感染症（CRBSI）は、高い死亡率と治療失敗につながります。
• MDRO-CRBSIの微生物学的診断の遅れは、しばしば広域スペクトル抗生物質の使用につながり、抗菌薬耐性を悪化させます。
• 標的化された抗菌療法を導くための早期リスク予測の重要な必要性があります。

研究 の 目的:

• MDRO-CRBSIのリスクを予測するための解釈可能な機械学習（ML）モデルを開発し、外部検証すること。
• 早期かつ正確なリスク評価のために容易に入手可能な臨床変数を利用すること。
• 適時かつ標的化された抗菌療法および抗菌薬管理をサポートすること。

主な方法:

• MIMIC-IVデータベースからのデータを使用した8つのMLモデルの開発と検証。
• 相関ヒートマップ、VIF、およびLASSO回帰を使用した特徴選択。
• AUC、F1スコア、ブライアースコア、精度、およびリコールを使用したモデルパフォーマンス評価、および多施設コホートでの外部検証。
• SHAPを使用したモデル解釈可能性分析。

主要な成果:

• XGBoostモデルは優れたパフォーマンスを示し、開発コホートで0.877、外部検証コホートで0.851のAUCを達成しました。
• 赤血球分布幅（RDW）、C反応性タンパク質（CRP）、血小板数、pH、入院期間、および抗生物質のクラスが主要な予測因子として特定されました。
• モデルは、開発コホートでMDR-CRBSI患者の15.1％を正常に特定しました。

結論:

• 開発されたXGBoostモデルは、MDR-CRBSIのリスクが高い患者の早期特定のための堅牢で解釈可能なツールを提供します。
• この予測能力は、適時の臨床介入と精密な抗菌療法を可能にします。
• このモデルは、抗菌薬管理の取り組みをサポートし、抗菌薬耐性との戦いにおいて患者の転帰を改善する可能性があります。