基于GPT-4的AI代理-用于检测抗菌素耐药机制的新专家系统?

科学领域:

• 医学微生物学 医学微生物学
• 人工智能在诊断中的应用
• 抗微生物耐药性 抗微生物耐药性

背景情况:

• 欧洲抗生素敏感性测试委员会 (EUCAST) 采用了一种两步过程,用于检测格拉姆阴性细菌中的β-乳糖酶.
• 抗菌素耐药性 (AMR) 需要创新的诊断解决方案来提高准确性和效率.

研究的目的:

• 验证生成预训练变压器 (GPT) -4和定制的GPT-agent,用于预分类磁盘扩散结果,以表明潜在的β-lactamase生产.
• 为了比较人工智能剂与人类微生物学家和常规诊断的性能,以检测扩展光谱β-乳糖酶 (ESBL),AmpC和卡巴酶生产.

主要方法:

• 225个グラム阴性细菌分离物根据表型耐药性概况进行了分类.
• 根据EUCAST指南 (v13.1) 定制了一个GPT-agent.
• 通过比较AI代理 (定制的GPT代理和非定制的GPT-4) 和微生物学家与常规诊断,计算灵敏度和特异性来评估性能.

主要成果:

• 微生物学家获得高一致性 (94.4%),与GPT代理相比,推理时间更短.
• 微生物学家的传感度/特异性的中位数为98%/99.1% (ESBL),96.8%/97.1% (AmpC) 和95.5%/98.5% (碳烯酶).
• 与微生物学家相比,定制的EUCAST-GPT专家的特异性较低 (ESBL为69.23%,AmpC为86.3%),可能导致测试增加和延迟.

结论:

• 虽然人工智能剂显示出前景,但人类微生物学家目前在检测β-乳糖酶抵抗机制方面表现出卓越的一致性和特异性.
• 在临床实施之前,需要进一步验证大型语言模型,考虑到监管部门的批准和对诊断工作流程的潜在影响.
• 人工智能目前的特异性限制可能会增加医疗保健成本和诊断时间表.