通过MALDI-TOF基于峰值的机器学习算法与MATLAB快速确定Klebsiella pneumoniae中的素耐药性
Secil Iskender1, Saddam Heydarov2, Metin Yalcin1
1Department of Medical Microbiology, Istanbul University-Cerrahpasa, Cerrahpasa Medical Faculty, Istanbul, Turkey.
Diagnostic microbiology and infectious disease
|September 28, 2023
概括
应用于MALDI-TOF的机器学习 (ML) 算法成功检测了Klebsiella pneumoniae中的胆素耐药性. 这种快速选试验对诊断抗生素耐药性的临床实践有前途.
科学领域:
- 微生物学 微生物学
- 计算生物学 计算生物学
- 分析化学 分析化学
背景情况:
- 有限的数据存在于机器学习 (ML) 算法应用于MALDI-TOF检测Klebsiella pneumoniae中的素抗性.
- 马尔迪-托夫 (MALDI-TOF) 质谱仪是用于细菌识别的宝贵工具,并有可能用于检测抗菌素耐药性.
研究的目的:
- 评估应用到MALDI-TOF数据的ML算法的有用性,以确定Klebsiella pneumoniae.中的胆固醇抗性.
- 为临床实践开发一种快速而准确的选试验.
主要方法:
- 总共有260个Klebsiella pneumoniae分离物被收集.
- 在MALDI-TOF数据库中应用了三种ML模型 (线性判别分析,支向量机和Ensemble).
- 这些模型在200个孤立体上进行了训练,并在60个孤立体上进行了测试.
主要成果:
- 线性差异分析 (LDA) 模型在培训阶段实现了99.3%的准确性.
- 在测试组中,LDA显示了81.6%的准确度,66.7%的灵敏度,91.7%的特异性和84.2%的精度.
- 在训练阶段,支持向量机器和Ensemble模型的准确性较低.
结论:
- 这项研究表明了MALDI-TOF MS与ML算法相结合的潜力,用于快速检测Klebsiella pneumoniae中的胆固醇耐药性.
- 开发的选试验准确且适合临床实践.
- 需要在不同的临床环境中进一步验证.
