用机器学习和简单的细菌生态数据对住院患者抗菌素耐药性的早期预测进行概念验证研究

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 传染性疾病 传染性疾病

背景情况:

• 抗生素耐药性是一个关键的全球健康威胁,由于滥用抗生素而恶化.
• 目前的细菌培养和抗生素培养方法耗时,延迟治疗.
• 经验性抗微生物药物处方需要平衡治疗频谱与预期的敏感性.

研究的目的:

• 开发和验证用于预测抗菌素敏感性的机器学习 (ML) 系统.
• 在获得最终抗生素图表之前,在各个阶段提供早期预测.
• 解释影响住院患者这些预测的因素.

主要方法:

• 一项概念验证研究,利用实验室信息系统 (LIS) 的历史细菌生态数据.
• 在7年内对44,026例患者进行了最先进的ML和概率模型的比较分析.
• 在四个抗生素预测前阶段评估预测准确性:采样,直接检查,阳性培养和物种识别.

主要成果:

• 机器学习模型,特别是多层密集神经网络和贝叶斯模型,表明它们适合于早期易感性预测.
• 获得的接收器运行特征曲线 (AUROC) 下的面积在阳性培养阶段为0.88,在物种识别时为0.92.
• 即使在不太频繁的临床情况中,也保持了高预测性表现 (AUROC为0.82和0.92).

结论:

• 开发的ML系统为早期预测抗菌素敏感性提供了一种可行的方法.
• 这项技术可以支持实证抗生素治疗的临床决策,从而有可能改善患者的治疗结果.
• 该系统利用易于访问的LIS数据,提供广泛的临床适用性和整合潜力.