机器学习预测尿液培养在急诊室的抗生素敏感性
Johnathan M Sheele1, Ronna L Campbell2, Derick D Jones2
1Department of Emergency Medicine, Mayo Clinic, Jacksonville, FL, USA.
Heliyon
|March 12, 2025
概括
机器学习使用现有的临床数据准确预测尿路感染 (UTI) 的抗生素敏感性. 这种方法有助于在紧急情况下更快,更有效地做出UTI治疗决策.
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:
- 尿路感染 (UTI) 是一种常见的细菌感染,经常在急诊室诊断出来.
- 经验性治疗是标准的,原因是尿液培养和敏感性结果的延迟.
- 快速预测抗生素敏感性对于有效的尿路感染管理至关重要.
研究的目的:
- 评估机器学习模型在预测尿液培养物的抗生素敏感性方面的有效性.
- 为了确定是否可以使用仅在初始临床接触期间可用的数据进行预测.
主要方法:
- 使用极端梯度提升 (XGBoost) 在62,963次急诊室遭遇的数据集上.
- 包括尿液分析和尿液培养数据,包括1303个变量和21种抗生素.
- 定义的抗生素敏感性基于尿液培养中的细菌敏感性.
主要成果:
- XGBoost实现了高预测性能,接收器操作曲线下的面积 (AUROC) 值在70%至90%之间 (中位数为82%).
- 特定的抗生素显示出很强的预测准确性,包括尼托福兰 (84%),西普洛素 (85%) 和线索利德 (90%).
- 模型的性能保持稳健,即使排除负面培养物或专注于具有显著细菌性尿路感染的确诊病例.
结论:
- 机器学习,特别是XGBoost,显示出预测细菌病的抗生素敏感性的巨大潜力.
- 这种预测能力可以为更有针对性和及时的尿路感染治疗策略提供信息.
- 这些发现支持将机器学习纳入临床工作流程,以改善传染病管理.
