预测抗微生物药物耐药性的机器学习:在临床实践中的未来应用?
Yousra Kherabi1, Michaël Thy2, Donia Bouzid3
1Infectious and Tropical Disease Department, Bichat-Claude Bernard Hospital, Assistance Publique-Hôpitaux de Paris, Université Paris Cité, Paris, France; Université Paris Cité and Université Sorbonne Paris Nord, Inserm, IAME, Paris, France.
机器学习 (ML) 在预测抗菌素耐药性 (AMR) 方面表现有前途. 需要进一步的研究,以将ML决策支持系统纳入临床实践,以有效管理AMR.
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:
- 抗菌素耐药性 (AMR) 是一个日益增长的全球健康威胁.
- 机器学习 (ML) 正在成为预测AMR模式的强大工具.
研究的目的:
- 审查关于ML用于预测AMR的应用现有的文献.
- 为医生提供基于ML的AMR预测方法的概述.
主要方法:
- 在主要的科学数据库 (MEDLINE/PubMed,EMBASE,Google Scholar,ACM,IEEE) 进行全面的文献搜索,截至2023年12月.
- 包括36项研究,重点关注用于AMR预测的ML,分析数据源,应用程序和性能指标.
主要成果:
- 大多数研究 (89%) 使用了医院数据,主要是在资源丰富的环境中 (92%).
- 主要应用包括预测受感染患者的耐药性 (67%) 和ML辅助的抗生素处方 (22%).
- 常见的输入是人口统计,先前的抗生素敏感性测试和抗生素暴露,重点是对格拉姆阴性细菌耐药性的预测 (92%). 绩效指标 (AUROC) 在0.56到0.93.9之间.
结论:
- ML具有显著的潜力,有助于AMR预测和临床决策.
- 该领域正在迅速扩大,但需要进一步的研究来设计,实施和评估临床环境中的ML决策支持系统.
更多相关视频
08:58Isolation and Identification of Waterborne Antibiotic-Resistant Bacteria and Molecular Characterization of their Antibiotic Resistance Genes
Published on: March 3, 2023
06:54Author Spotlight: Understanding and Detecting Environmental Antimicrobial Resistance by Combining Culture-Based Techniques and Genomics
Published on: July 19, 2024
相关概念视频
00:57Antibiotic Selection
01:18Steps in Outbreak Investigation