基于深度学习的预测,使用纵向电子健康记录对抗生素引起的Clostridioides difficile感染进行预测
Junmo Kim1, Joo Seong Kim2, Sae-Hoon Kim3
1Interdisciplinary Program in Bioengineering, Seoul National University, Seoul, Republic of Korea.
NPJ digital medicine
|August 24, 2024
概括
一个深度学习模型预测了抗生素治疗后28天内Clostridioides difficile感染 (CDI) 的风险. 该工具有助于识别高风险患者,减少诊断不足和并发症.
科学领域:
- 传染性疾病 传染性疾病
- 医疗保健中的人工智能
- 临床信息学 临床信息学
背景情况:
- 艰难菌感染 (CDI) 是一种严重的在医院获得的感染,导致与抗生素相关的腹和结肠炎.
- CDI可能导致严重的并发症,通过便-口腔途径传播,但在临床上经常被忽视.
- 监测高风险群体,特别是那些服用抗生素的人,对于预防CDI传播和并发症至关重要.
研究的目的:
- 开发和验证一种深度学习模型,用于在开始抗生素治疗后28天内预测CDI的发生.
- 通过使用纵向电子健康记录来识别CDI风险的关键临床特征.
- 为早期识别 CDI 风险较高的患者提供工具.
主要方法:
- 使用纵向电子健康记录创建了一个深度学习模型,包括生命体征,实验室测试 (35天监测期) 和患者人口统计 (年龄,性别,并发病症,药物).
- 该模型的预测性能使用内部和外部验证数据集进行了评估.
- 进行了特征重要性分析,以确定CDI的关键预测因素.
主要成果:
- 深度学习模型表现出高的预测性能,接收器运行特征曲线下的面积为0.952 (内部验证) 和0.972 (外部验证).
- 血小板计数和体温被确定为CDI最重要的预测特征.
- 该模型的风险评分在患有CDI的患者中持续增加,而在非CDI患者中保持稳定或下降.
结论:
- 开发的深度学习模型准确地预测了接受抗生素治疗的患者中Clostridioides difficile感染的风险.
- 通过这种模型,早期识别高风险个体可以帮助及时监测和干预症状.
- 实施这种预测工具有可能减少CDI的不足诊断,限制传播,并预防严重的并发症.
