从多式联络电子健康记录中实惠和实时预测抗菌素耐药性

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 计算生物学 计算生物学

背景情况:

• 抗菌素耐药性 (AMR) 构成了全球健康的重大威胁,导致死亡率和医疗保健成本增加.
• 针对AMR的预测模型对于有效的临床决策和资源管理至关重要.
• 现有的方法往往缺乏整合多样化的患者数据以进行全面的AMR预测的能力.

研究的目的:

• 开发和评估深度学习 (DL) 模型,用于预测抗菌素耐药性 (AMR).
• 利用电子健康记录 (EHR) 的多式联络数据来提高抗菌耐药性预测的准确性.
• 为在临床实践中部署先进的DL技术为AMR预测奠定基础.

主要方法:

• 对MIMIC-IV数据库进行广泛的预处理,以创建结构化的时间不变和时间序列数据输入.
• 实施多式联络融合方法,将结构化数据与临床笔记结合起来.
• 应用深度学习技术来预测基于特定抗生素或病原体的AMR.

主要成果:

• 成功地利用了来自EHR的多式联络数据来预测AMR.
• 证明了基于DL的方法在预测抗菌素耐药性的有效性.
• 建立了一种新的方法来整合各种患者数据来源,用于临床应用.

结论:

• 深度学习模型可以有效地使用多式联络电子健康记录数据预测抗菌素耐药性.
• 开发的方法为临床医生和微生物学家提供了一个有希望的工具,以预测AMR.
• 这项工作突出了利用现有患者数据的潜力,以积极管理抗菌素耐药性.