一个机器学习模型用于预测Acinetobacter baumannii医院获得的感染
Ido Neuman1, Leonid Shvartser2, Shmuel Teppler2
1Department of General Intensive Care and Institute for Nutrition Research, Rabin Medical Center, Beilinson Hospital, Petah Tikva, Israel.
PloS one
|December 5, 2024
概括
机器学习可以预测ICU中的Acinetobacter baumanni感染. 关键预测因素包括呼吸功能,代谢状态和抗生素使用,有助于早期风险识别.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 传染病流行病学 传染病流行病学
背景情况:
- 阿西内托巴克特宝曼尼感染是ICU发病率和死亡率的重要原因.
- 早期识别有风险的患者对于及时治疗和改善结果至关重要.
研究的目的:
- 开发和验证基于机器学习 (ML) 的预测工具,用于ICU患者的Acinetobacter baumanni感染.
- 评估开发的ML模型的稳定性和预测能力.
主要方法:
- 使用MIMIC III数据库进行模型开发和内部验证 (19,690名患者).
- 采用了拉宾医疗中心 (1700名患者) 的外部验证数据集.
- 使用接收器操作曲线下的面积 (AUROC),灵敏度,特异性和预测值来评估模型性能.
主要成果:
- 该预测模型实现了0.624的AUROC (95%CI为0.604-0.647).
- 显著的预测因素包括心肺呼吸参数 (CO2,呼吸率),代谢障碍 (乳酸盐,pH) 和先前的抗生素给药.
结论:
- 在患有呼吸衰竭,乳酸盐水平较高和广泛使用抗生素的患者中,Acinetobacter baumanni感染的风险较高.
- 开发的ML工具显示了在临床环境中提高Acinetobacter预测准确性的潜力.
