基于机器学习的抗生素耐药性预测模型:更新的系统审查和元分析

科学领域:

• * 计算生物学和生物信息学
• * 医学信息学和人工智能
• * 传染病流行病学

背景情况:

• *不断升级的抗生素耐药性构成了全球健康的重大威胁.
• * 降低抗生素有效性需要新的预测策略.
• * 机器学习 (ML) 为预测细菌耐药性模式提供了有希望的途径.

研究的目的:

• * 系统地审查和定量分析用于抗生素耐药性预测的机器学习模型.
• * 评估现有ML模型的方法质量和性能.
• * 提供有关该领域研究进展的最新评估.

主要方法:

• * 在PubMed,Embase和Cochrane图书馆进行全面的文献搜索,直到2023年12月.
• *包括符合预先定义的标准的基于ML的抗生素耐药性预测的研究.
• *使用随机效应模型和偏差风险评估的元分析.

主要成果:

• *审查了22项研究 (43,628个样本);10项被纳入了元分析.
• *随机森林,决策树和神经网络是常见的ML算法.
• *ML模型表现出良好的区分能力 (AUC=0.78),具有高特异性 (0.95),但具有可变灵敏度 (0.57).
• *在包括的研究中发现了偏见和出版偏见的高风险.

结论:

• * 机器学习模型显示出预测抗生素耐药性的前景.
• *目前的证据表明诊断性能良好,但受研究质量限制.
• *未来的研究需要严格的设计和报告,以提高临床使用的可靠性.