使用机器学习模型个性化淋病的经验治疗
Rachel E Murray-Watson1,2, Yonatan H Grad3, Sancta B St Cyr4
1Department of Health Policy and Management, Yale School of Public Health, New Haven, Connecticut, United States of America.
PLOS digital health
|August 14, 2024
概括
使用机器学习的个性化淋病治疗可以减少抗生素的使用. 这种方法通过根据患者数据量身定制治疗来确保有效的治疗,从而改善抗菌素耐药性感染的结果.
科学领域:
- 传染性疾病 传染性疾病
- 计算生物学 计算生物学
- 公共卫生 公共卫生
背景情况:
- 尼塞利亚淋病中的抗菌素耐药性 (AMR) 需要更新治疗策略.
- 目前的淋病治疗依赖于标准化指导方针,这些指导方针可能无法解释AMR患病率的地理和人口差异.
- 冠状病毒隔离物监测项目 (GISP) 收集有关AMR淋病菌株的国家数据.
研究的目的:
- 通过在国家监测数据上训练的机器学习模型,研究个性化经验性淋病治疗的可行性.
- 将个性化治疗策略的有效性和抗生素使用与标准化指南进行比较.
主要方法:
- 利用2000-2010年的GISP数据来训练和验证机器学习模型来预测对西普洛素 (CIP) 的耐药性.
- 开发了包含性行为和地理位置的个性化治疗算法.
- 评估了模型性能,并将个性化治疗与标准化指南 (CIP, ceftriaxone (CRO),cefixime (CFX)) 进行了比较,从2005年到2010年.
主要成果:
- 在2005-2010年间,个性化治疗可以用CIP取代33%的CRO和CFX使用.
- 个性化方法确保了98%的治疗效率,与标准化指南相比,有效性保持不变.
- 机器学习模型在不同的时间段和地理区域中显示出一致的性能.
结论:
- 在国家AMR淋病监测数据上训练的预测模型可以在护理点个性化实证治疗.
- 个性化治疗可以优化抗生素选择,减少不必要的新药的使用,同时保持治疗的有效性.
- 这种数据驱动的方法在抗菌素耐药性增加的时代提供了一种有希望的策略来对抗淋病.
更多相关视频
08:04Quantitative Examination of Antibiotic Susceptibility of Neisseria gonorrhoeae Aggregates Using ATP-utilization Commercial Assays and Live/Dead Staining
Published on: February 8, 2019
8.6K
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
1.4K
