基于机器学习的多耐药生物感染预测模型:性能评估和可解释性分析
Wenting Zhao1,2, Pei Sun1,2, Wei Li3
1College of Nursing, Changzhi Medical College, Changzhi, Shanxi, People's Republic of China.
Infection and drug resistance
|May 12, 2025
概括
一个可解释的机器学习模型准确地预测了重症监护病房 (ICU) 中的多抗药生物体 (MDRO) 感染. 确定了尿道导管和呼吸器使用等关键风险因素,有助于早期干预和抗菌药物管理.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 传染病预测传染病的预测
背景情况:
- 抗药性多种生物体 (MDRO) 感染是重症监护病房 (ICU) 的关键威胁.
- 延迟识别MDRO感染会使患者的治疗结果恶化.
- 复杂的机器学习 (ML) 模型因其不透明性而面临采用障碍.
研究的目的:
- 评估一种可解释的机器学习 (ML) 模型,用于预测ICU患者的MDRO感染.
- 评估夏普利添加式解释 (SHAP) 对模型透明度的有用性.
- 为了确定MDRO感染的关键可修改的风险因素.
主要方法:
- 888名ICU患者的回顾性队列研究 (2020-2022).
- 拉索回归从临床变量中确定了预测因素;评估了六个ML算法.
- SHAP分析提供了全球和本地模型的解释性.
主要成果:
- 随机森林模型实现了最高的性能 (AUC = 0.83,精度 = 76.7%).
- SHAP确定了尿路导管,呼吸机使用和长时间暴露在抗生素中的重要可修改的风险因素.
- 动态SHAP力图使个性化风险评估成为可能;决策曲线分析显示出临床效用.
结论:
- 结合Random Forest和SHAP的可解释的ML框架平衡了预测准确性和临床透明度.
- 该模型支持个性化风险评估和基于证据的抗微生物药物管理.
- 将其整合到医院系统中可以提高MDRO感染的早期检测和干预.
