使用人工智能和临床MALDI-TOF质谱预测Pseudomonas aeruginosa的耐药性
Hoai-An Nguyen1, Anton Y Peleg1,2,3, Jiangning Song3,4
1Department of Infectious Diseases, The Alfred Hospital and School of Translational Medicine, Monash University, Melbourne, Australia.
mSystems
|August 16, 2024
概括
人工智能 (AI) 与MALDI-TOF质谱学 (MS) 结合,可以预测Pseudomonas aeruginosa中的抗菌素耐药性 (AMR). 这种方法提供了一个快速的诊断工具,用于指导针对耐药细菌感染的治疗决策.
科学领域:
- 临床微生物学和传染病.
- 分析化学和质谱学.
- 生物信息学和人工智能的人工智能
背景情况:
- 飞行质谱的矩阵辅助激光脱吸/电离时间 (MALDI-TOF MS) 是一种用于细菌识别的标准,但在检测抗菌素耐药性 (AMR) 方面未得到充分利用.
- Pseudomonas aeruginosa 是一种与高发病率和死亡率相关的关键病原体,经常表现出复杂的AMR机制.
- 有效管理P. aeruginosa感染需要快速检测AMR以指导适当的抗生素治疗并改善患者的治疗结果.
研究的目的:
- 研究将MALDI-TOF MS与人工智能 (AI) 结合起来,用于预测Pseudomonas aeruginosa的AMR的疗效.
- 开发和评估新的特征工程技术,如动态分类,以优化MALDI-TOF MS数据分析在AMR预测.
- 探索转移学习的潜力,以提高用于AMR检测的AI模型性能.
主要方法:
- 使用MALDI-TOF MS从P. aeruginosa分离物产生质谱.
- 应用AI算法,包括动态分类和转移学习,以分析用于AMR预测的质谱数据.
- 使用诸如接收器操作特征曲线 (AUROC) 下面面积,特异性和灵敏度等指标评估模型性能.
主要成果:
- 在预测对现代β-lactam/β-lactamase抑制剂药物 (ceftazidime/avibactam和ceftolozane/tazobactam) 的耐药性方面取得了高性能,AUROC分别为0.869和0.856.
- 开发的动态分类技术在10种抗微生物药物中,在7种被测试的抗微生物药物中表现优于传统方法.
- 转移学习改善了11种抗微生物药物中的8种的AUROC性能,证明了其在提高预测准确性的实用性.
结论:
- 人工智能与MALDI-TOF MS的整合显示出作为检测P. aeruginosa中的AMR的快速诊断工具的巨大潜力.
- 动态捆绑和转移学习是提高基于人工智能的抗菌耐药性预测从质谱数据的性能的有效策略.
- 这种方法可以帮助临床医生及时做出治疗决策,从而应对耐药P. aeruginosa感染的挑战.
