基于机器学习的可解释决策支持,用于预测复杂的尿路感染的抗生素耐药性

科学领域:

• 传染性疾病 传染性疾病
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 尿路感染 (UTI) 在全球范围内很常见,由于抗菌素耐药性不断增加,造成了挑战.
• 准确的抗生素处方至关重要,但对临床医生来说越来越困难.
• 抗微生物耐药性使细菌感染的有效治疗复杂化.

研究的目的:

• 开发和验证可解释的机器学习算法,用于预测尿路感染中的抗菌素耐药性.
• 评估这些算法的有效性,以识别对关键抗生素的耐药性.
• 为了证明机器学习方法在不同的尿路感染患者队伍中具有普遍性.

主要方法:

• 利用来自复杂和不复杂尿路感染的大型患者队伍的电子健康记录数据.
• 开发了四种基于机器学习的可解释决策支持算法.
• 验证了对耐药性进行预测的准确性对尼托福兰,co-trimoxazole,西普罗夫洛克萨和莱沃弗洛克萨.

主要成果:

• 在患有潜在并发性尿路感染的患者中实现了对抗生素耐药性的高可预测性.
• 证明了机器学习模型在不复杂的尿路感染队列上的成功通用性.
• 算法提供了可解释的预测,解释了阻力预测的基础.

结论:

• 机器学习为预测尿路感染中的抗菌素耐药性提供了一个强大的工具.
• 这些模型可以支持临床决策,从而导致更有效和个性化的抗生素治疗.
• 算法的可解释性提高了临床信任,并促进了快速干预.