预测患有尿路感染的患者抗生素耐药性:算法开发和验证

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:

• 在尿路感染 (UTI) 中早期预测抗生素耐药性对于有效的抗生素治疗选择至关重要.
• 抗生素耐药性在治疗尿路感染方面构成了重大挑战,需要先进的预测工具.

研究的目的:

• 开发和解释用于预测尿路感染患者抗生素耐药性的机器学习模型.
• 确定有助于抗生素耐药性预测的关键特征.

主要方法:

• 利用了来自韩国永宁 Severance 医院的电子病历.
• 提取了71个特征用于分类尿路感染病原体对各种抗生素的敏感性/耐药性.
• 采用沙普利添加式解释 (SHAP) 来解释模型的可解释性,并提出了一种临床决策支持系统原型.

主要成果:

• 随机森林模型证明了抗生素耐药性的预测能力,在测试组中AUC值在0.630至0.721之间.
• 发现的关键预测因素包括先前的访问数量,第一次培养的时间,慢性呼吸道疾病和先前的药物暴露.
• 这项研究建立了预测对素,皮佩拉西林-塔扎巴克坦 (TZP),卡巴尼姆,三甲胺-硫胺沙 (TMP-SMX) 和诺基诺的耐药性的模型.

结论:

• 机器学习对预测尿路感染中抗生素耐药性的潜力很大.
• 开发的模型和决策支持系统可以帮助临床医生选择适合尿路感染的抗生素疗法.