预测治疗开始时在ICU患者中无法达到β-乳的目标:开发和外部验证三种新型 (机器学习) 模型

科学领域:

• 药理动力学和药理动力学
• 临床药房 临床药房
• 传染性疾病 传染性疾病

背景情况:

• 在ICU中感染相关的高死亡率强调了有效的抗生素治疗的必要性.
• 不达到β-乳的目标影响了多达45%的ICU患者,减少了治疗的成功.
• 优化抗生素剂量对于改善重症患者的临床结果至关重要.

研究的目的:

• 为了开发和验证beta-lactam在ICU患者的目标未达到的预测模型.
• 为了确定与低于最佳的抗生素暴露相关的关键患者变量.
• 为优化ICU中的抗生素治疗策略提供工具.

主要方法:

• 使用随机森林 (RF),后勤回归 (LR) 和原始贝叶斯 (NB) 算法开发和验证预测模型.
• 利用来自两项多中心研究的数据,包括376名患者的模型开发.
• 对150名ICU患者进行外部验证,以评估模型性能 (歧视,校准,净益).

主要成果:

• 年龄,性别,血清肌素和β-乳糖抗生素类型被确定为未达到的预测因素.
• 外部验证显示RF (AUC 0.79),LR (AUC 0.80) 和NB (AUC 0.75) 模型的区别很好.
• 射频和射频频谱模型显示了显著的净益,表明了临床效用.

结论:

• 成功开发和验证了对非β-乳酸在12-36小时内不达到抗生素开始的预测模型.
• 在线可访问的模型利用现有的患者数据来帮助优化抗生素治疗.
• 射频和射流模型为改善ICU环境中的抗生素治疗精度提供了有希望的性能.