用于疫情预测的人工智能建模:用于识别抗万科胺素肠球菌载体的图形神经网络方法
Gregor Donabauer1,2, Anca Rath1, Aila Caplunik-Pratsch1
1Department of Infection Prevention and Infectious Diseases, University Medical Center Regensburg, Regensburg, Germany.
PLOS digital health
|April 10, 2025
概括
这项研究开发了一种使用图形神经网络 (GNN) 的人工智能 (AI) 模型,以预测抗胺素肠球菌 (VRE) 载体. 人工智能方法通过早期检测和有针对性的干预措施来预防VRE传播来提高患者的安全性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 传染病流行病学 传染病流行病学
背景情况:
- 抗胺素抗性肠球菌 (VRE) 的鼻腔传染是严重的患者安全问题.
- 目前的感染控制措施缺乏对VRE载体的早期检测方法,需要改进查策略.
- 没有标准化的VRE查标准,这给预防和控制感染带来了挑战.
研究的目的:
- 开发和评估基于人工智能 (AI) 的方法,用于早期识别和预测面临VRE携带风险的患者.
- 通过提供一个人-in-the-loop预测工具来协助感染预防和控制人员.
- 通过积极主动的,有针对性的干预措施,提高患者的安全性和减少医院内VRE传播.
主要方法:
- 利用了8372名患者的数据,包括超过125,000次医院搬迁和患者相关信息.
- 创建了代表医院动态的依赖时间的图表序列.
- 应用图形神经网络 (GNN) 将患者分类为VRE载体或非载体,将临床诊断 (ICD) 和操作/程序 (OPS) 代码作为节点特征.
主要成果:
- 人工智能模型在预测VRE运输时获得了0.880的宏F1得分,灵敏度为0.808和特异性为0.942.
- 临床诊断 (ICD) 和操作/程序 (OPS) 代码被确定为预测最有影响力的参数.
- 使用GNN模拟医院动态证明了早期VRE载体检测的有效性.
结论:
- 结合异质数据类型的基于AI的工具可以准确预测VRE运输,提供高灵敏度.
- 开发的GNN方法为自动化感染预防和控制系统提供了一个有希望的基础.
- 这些系统可以提高患者的安全性,管理抗菌素耐药性,并使成本高效的干预措施.
更多相关视频
10:11Modeling The Lifecycle Of Ebola Virus Under Biosafety Level 2 Conditions With Virus-like Particles Containing Tetracistronic Minigenomes
Published on: September 27, 2014
36.1K
08:51Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
Published on: November 1, 2019
5.6K
