通过在越南应用机器学习来预测ICU患者的抗生素耐药性

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 传染性疾病 传染性疾病

背景情况:

• 抗生素耐药性 (AMR) 构成重大威胁,特别是在重症监护室 (ICU).
• 机器学习 (ML) 为检测AMR和优化高收入国家抗生素治疗提供了有前途的工具.
• 在低收入和中等收入国家,ML用于AMR预测的应用仍未得到充分研究.

研究的目的:

• 评估各种ML模型在预测AMR细菌方面的性能.
• 评估模型预测ICU患者抗生素耐药性的能力.
• 为了确定越南医院中AMR检测的最佳ML模型.

主要方法:

• 在2020年1月至2022年6月期间进行了一项回顾性,横截面研究.
• 开发了五种ML模型,使用患者电子病历 (EMR) 预测抗生素耐药性.
• 模型性能使用包括精度,F1得分,AuROC和normMCC在内的指标进行评估.

主要成果:

• 在关键评估指标中,XGBoost,LightGBM和Random Forest模型表现出最高的性能.
• 该XGBoost模型实现了最高的准确性,F1得分,AuROC和normMCC,从0.890到1.000不等.
• 在灵敏度,准确度,精度,F1得分和normMCC中得分高表明可靠的预测.

结论:

• XGBoost,LightGBM和Random Forest是有效的ML模型,用于预测ICU患者的抗生素耐药性.
• 这些模型可以使用EMR数据准确预测AMR细菌和抗生素耐药性.
• 这些发现支持在临床环境中整合ML工具用于AMR监测和管理.