使用机器学习预测未来医院抗菌素耐药性的流行情况
Karina-Doris Vihta1,2,3, Emma Pritchard4,5, Koen B Pouwels5,6
1Modernising Medical Microbiology, Experimental Medicine, Nuffield Department of Medicine, Level 7 Research Offices, John Radcliffe Hospital, Headley Way, University of Oxford, Oxford, UK. karina.vihta@gmail.com.
机器学习模型在全国范围内预测抗菌素耐药性 (AMR). 极端梯度增强 (XGBoost) 模型显示出卓越的性能,特别是在具有显著抗药性变化的医院中,有助于针对性干预.
科学领域:
- 流行病学 流行病学
- 传染性疾病 传染性疾病
- 计算生物学 计算生物学
背景情况:
- 抗菌素耐药性 (AMR) 是一个关键的全球健康威胁.
- 在全国范围内预测AMR在医院水平可以优化干预策略.
- 机器学习方法可以利用历史的AMR和抗微生物药物使用数据进行预测建模.
研究的目的:
- 开发和评估机器学习模型,以预测未来抗菌素耐药性 (AMR) 的流行情况.
- 为了比较极端梯度提升 (XGBoost) 与传统预测方法的预测性能.
- 确定影响AMR预测的关键因素,以提高可解释性.
主要方法:
- 利用了英国医院 (FY2016-2022) 血流感染的历史抗菌药物使用和AMR流行数据.
- 训练并将极度梯度提升 (XGBoost) 模型与基线方法 (先前值,差异,线性趋势预测) 进行比较.
- 使用SHAP值来计算XGBoost的特征重要性,用于模型可解释性.
主要成果:
- XGBoost模型显示出最高的预测性能,优于其他方法,特别是在AMR波动较大的医院.
- 简单的预测方法显示,当抗药性耐药性流行率呈现最小的年比年变化时,其性能可比.
- 特性重要性分析显示,病原体耐药性和抗生素使用之间的历史耐药性模式和复杂相互作用显著地告知了预测.
结论:
- 虽然每年对AMR的变化往往很小,但XGBoost模型在动态场景中提高了预测准确性.
- 准确的抗菌耐药性预测有助于明智决策,有效的资源配置和有针对性的公共卫生干预.
- 该研究强调了机器学习在打击全球抗菌药物耐药性危机方面的潜力.
更多相关视频
06:54Author Spotlight: Understanding and Detecting Environmental Antimicrobial Resistance by Combining Culture-Based Techniques and Genomics
Published on: July 19, 2024
09:59Application of the Intelligent High-Throughput Antimicrobial Sensitivity Testing/Phage Screening System and Lar Index of Antimicrobial Resistance
Published on: July 21, 2023
相关概念视频
Steps in Outbreak Investigation
Development of Antibiotic Resistance
Antimicrobial Effectiveness
Antibiotic Selection
