深度学习模型用于使用时间序列电子健康记录进行积极MRSA培养的个性化预测
Masayuki Nigo1,2,3, Laila Rasmy4, Bingyu Mao4
1McGovern Medical School, University of Texas Health Science Center at Houston, Houston, TX, USA. mnigo@houstonmethodist.org.
Nature communications
|March 6, 2024
概括
一个新的深度学习模型,PyTorch_EHR,使用电子健康记录准确地预测了耐美西林黄金葡萄球菌 (MRSA). 这种工具有助于风险分层,优化对MRSA感染的抗生素治疗.
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:
- 耐甲基西林黄金葡萄球菌 (MRSA) 是医院感染的主要原因,导致患者的严重发病率和死亡率.
- 准确和及时的风险分层对于有效的抗生素管理和患者管理至关重要.
研究的目的:
- 开发和验证一个深度学习模型 (PyTorch_EHR) 用于使用电子健康记录 (EHR) 时间序列数据预测MRSA培养阳性.
- 将PyTorch_EHR的预测性能与传统机器学习模型进行比较.
主要方法:
- 利用来自8,164名MRSA和22,393名非MRSA患者事件的EHR时间序列数据进行模型开发.
- 采用了深度学习架构 (PyTorch_EHR),并将其性能与后勤回归 (LR) 和光梯度提升机 (LGBM) 模型进行了比较.
- 在外部数据集上验证了模型的准确性,其中包括来自MIMIC-IV数据库的393713例患者事件.
主要成果:
- 与LR和LGBM相比,PyTorch_EHR在内部 (AUROC:0.911对0.857和0.892) 和外部验证 (AUROC:0.859对0.816和0.838) 预测MRSA阳性方面表现出更高的准确性.
- 该模型有效地将患者分为高风险,中风险和低风险MRSA类别.
- 深度学习方法在预测MRSA文化阳性方面表现优于传统的机器学习模型.
结论:
- 深度学习模型,特别是PyTorch_EHR,在预测MRSA阳性文化方面具有显著的优势.
- 这种预测能力可以支持临床决策,优化抗菌疗法,并减少不必要使用MRSA特异性抗生素.
