基于机器学习的重症监护病房中对抗卡巴尼姆的抗грам阴性细菌血流感染的预测
Qiqiang Liang1, Shuo Ding1, Juan Chen1
1General Intensive Care Unit and Key Laboratory of Multiple Organ Failure, China National Ministry of Education, Second Affiliated Hospital of Zhejiang University School of Medicine, No. 1511, Jianghong Road, Bingjiang District, Hangzhou, Zhejiang, China.
BMC medical informatics and decision making
|May 14, 2024
概括
机器学习准确地预测了耐卡巴尼姆抗性グラム阴性细菌 (CRGNB) 血流感染. 这种工具有助于早期的抗生素指导,通过早期识别CRGNB来改善患者的治疗结果.
科学领域:
- 传染性疾病 传染性疾病
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 抗卡巴胺抗性グラム阴性细菌 (CRGNB) 血流感染是一个重大的临床挑战.
- 传统的CRGNB诊断方法需要2-5天,延迟了针对性的抗生素治疗.
- 需要预测模型来指导疑似血液感染的早期抗菌药物管理.
研究的目的:
- 开发和评估用于早期预测血液感染的机器学习模型.
- 为了在血培养时具体识别CRGNB血流感染的发生.
- 帮助及时的临床决策和抗生素选择.
主要方法:
- 一项区域多中心的回顾性研究,涉及疑似血流感染的患者.
- 根据结果,患者被分为阳性和阴性血液培养组,并进一步分为CRGNB和非CRGNB组.
- 机器学习算法,包括随机森林,XGBoost和支持矢量机 (SVM),用于预测建模.
主要成果:
- 这项研究分析了952个阳性和1422个阴性血液培养物.
- 对于CRGNB感染的高风险因素包括机械通风,侵入性导管治疗和之前使用卡巴.
- 随机森林在血流感染预测方面实现了0.86的AUROC,在CRGNB预测方面达到0.87. 在CRGNB预测中,SVM显示了0.88的AUROC.
结论:
- 机器学习模型可以准确预测ICU获得的血液感染.
- 这些模型有效地将CRGNB识别为血液培养时间的致病原体.
- 这些发现支持将机器学习整合到临床工作流程中,以加强抗微生物药物管理.
更多相关视频
11:25Preparation of a Blood Culture Pellet for Rapid Bacterial Identification and Antibiotic Susceptibility Testing
Published on: October 15, 2014
35.7K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K