机器学习模型对住院患者的凝血功能障碍风险进行研究,这些患者接受了β-乳糖抗生素的治疗
Yuqing Hua1,2, Na Li1, Jiahui Lao3
1Shandong Engineering and Technology Research Center for Pediatric Drug Development, Shandong Medicine and Health Key Laboratory of Clinical Pharmacy, Department of Clinical Pharmacy, The First Affiliated Hospital of Shandong First Medical University and Shandong Provincial Qianfoshan Hospital, Jinan, China.
Frontiers in pharmacology
|December 11, 2024
概括
机器学习模型可以预测β-乳酸抗生素的凝血功能障碍风险. 这有助于识别有风险的患者进行主动干预,提高抗生素的安全性.
科学领域:
- 药理学 药理学是指药理学的学科.
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- β-Lactam抗生素被广泛使用,但具有凝血功能障碍的风险.
- 对这种风险的积极评估往往被忽视.
- 机器学习为评估这种风险提供了潜力.
研究的目的:
- 确定与β-lactam相关的凝血功能障碍的危险因素.
- 开发机器学习模型以使用现实数据估计这种风险.
主要方法:
- 使用45179名成年住院患者 (2018-2021) 电子健康记录 (EHR) 的回顾性研究.
- 采用五种不同的机器学习方法来预测风险.
- 使用5倍交叉验证和测试集验证的验证模型,通过AUC评估性能.
主要成果:
- 凝血障碍的发生率因抗生素而异:塞法佐林 (2.4%),塞福拉/苏尔巴克坦 (5.4%),塞夫米诺 (1.5%),阿莫西西林/苏尔巴克坦 (5.5%),皮佩拉西林/塔扎巴克坦 (4.8%).
- 最优的机器学习模型实现了从0.768到0.919的AUC.
- 模型在预测特定β-乳酸抗生素的风险方面表现出有效性.
结论:
- 机器学习分类器是识别患有β-乳糖诱导凝血功能障碍风险的患者的宝贵工具.
- 高风险预测使得及时干预和改善药物监测.
- 整合更多的行政和临床数据可以提高模型预测性能.
