一种临床数据驱动的机器学习方法,用于预测 piperacillin-tazobactam 在治疗下呼吸道感染中的有效性

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:

• 住院患者面临抗生素剂量不足的挑战,导致细菌耐药性.
• 过度接触抗生素会增加抗菌剂使用强度,从而导致耐药性.
• 预测抗生素的有效性对于优化治疗和抗菌药物管理至关重要.

研究的目的:

• 开发一种机器学习模型,用于预测Piperacillin-tazobactam (TZP) 在治疗细菌下呼吸道感染 (LRTI) 的临床有效性.
• 帮助临床医生做出关于LRTIs抗生素治疗的明智决策.
• 为了减少抗生素剂量不足和抗菌素过度暴露的发生率.

主要方法:

• 在2021年1月至2023年7月期间,从1314名用TZP治疗的LRTI患者收集了数据.
• 通过使用逻辑回归,随机森林和支持矢量机算法训练了一个集体学习 (EL) 模型.
• 用ROC-AUC,回忆,准确度,精度,F1得分和日志损失来评估模型性能,并将最佳模型部署为web应用程序.

主要成果:

• 在独立的测试组中,EL模型表现出强大的性能,ROC-AUC为0.69.
• 关键性能指标包括回忆率为0.69,准确率为0.64,精度为0.40,F1得分为0.50.
• 开发了一个网络应用程序,提供可访问的TZP治疗临床结果预测.

结论:

• 一个EL模型已成功开发和验证,用于预测TZP在细菌LRTIs中的有效性.
• 通过Web应用程序访问该模型可以帮助临床决策和优化抗生素使用.
• 建议使用更大的数据集进行进一步的前性验证,以提高该模型在抗菌药物管理和个性化治疗中的实用性.