改善使用具有网络特征的机器学习方法来预测耐甲基黄金葡萄球菌的风险:回顾性发展研究
Methun Kamruzzaman1, Jack Heavey1, Alexander Song1
1University of Virginia, Charlottesville, VA, United States.
JMIR AI
|June 14, 2024
概括
机器学习使用电子健康记录准确地预测了耐甲基西林黄金葡萄球菌 (MRSA) 的风险. 网络功能显著提高了医疗保健相关感染的预测准确度,有助于感染控制.
科学领域:
- 计算流行病学计算流行病学
- 医疗信息学 医疗信息学
- 机器学习在医疗保健中的应用
背景情况:
- 像MRSA和CDI这样的多耐药生物体 (MDROs) 引起的与医疗保健相关的感染 (HAI) 构成了相当大的负担.
- 目前的MDRO查是资源密集型的,需要创新的方法.
研究的目的:
- 开发使用电子健康记录 (EHR) 数据预测MDRO殖民或感染风险的自动化工具.
- 加强感染控制策略,指导实证抗生素覆盖决策.
主要方法:
- 使用EHR数据检测MRSA殖民/感染的机器学习模型的回顾性开发.
- 包括从患者数据中获得的临床,非临床和基于网络的特征.
- 对特定患者亚群的异质模型的探索,以优化性能.
主要成果:
- 处罚后勤回归显示出卓越的性能,使用多项式特征转换提高了11%的AUC.
- MDRO风险的关键预测因素包括抗生素使用,手术,设备使用,透析,并发症和网络特征.
- 网络特征提供了最显著的性能改进,将模型准确度提高了至少15%.
结论:
- 机器学习有效地使用EHR数据预测MRSA风险,整合临床和非临床因素.
- 网络特征具有高度预测性,大大改善了MDRO风险评估的现有方法.
- 针对患者亚群量身定制的异质模型提高了感染控制的预测准确性.


