机器学习模型用于预测临床大肠杆菌分离体中的多药性耐药性:一项回顾性整体外科研究
Hüseyin Kerem Tolan1, İrfan Aydın2, Handan Tanyildizi-Kokkulunk3
1Department of General Surgery, Ümraniye Training and Research Hospital, University of Health Sciences, 34668 Istanbul, Türkiye.
Antibiotics (Basel, Switzerland)
|October 28, 2025
概括
机器学习模型可以预测大肠杆菌的抗生素耐药性,有助于监视. 随机森林模型显示高精度,支持医疗保健机构的抗菌药物管理和诊断.
科学领域:
- 临床微生物学 临床微生物学
- 计算生物学是一种计算生物学.
- 传染病流行病学 传染病流行病学
背景情况:
- 大肠杆菌是手术部位感染 (SSI) 的首要原因,抗菌素耐药性增加对公共健康构成重大威胁.
- 大肠杆菌中高频谱β-乳糖酶 (ESBL) 生产率使治疗复杂化,需要改善监测和控制措施.
研究的目的:
- 评估机器学习算法,用于预测手术部位感染的大肠杆菌分离物中的抗菌耐药性.
- 确定抗生素耐药性的关键预测因素,包括抗生素之间的相关性和人口因素.
主要方法:
- 从普通外科诊所 (2020-2025) 分析691个大肠杆菌分离物,通过MALDI-TOF确定MS.
- 应用随机森林,CatBoost和天真贝叶斯算法来利用临床和易感性数据预测抗生素耐药性.
- 通过各种验证指标,利用SMOTE检测类不平衡,并通过各种验证指标评估模型性能.
主要成果:
- 随机森林证明了优异的预测性能,实现了关键抗生素的中位准确度,精度,回忆和F1分数为0.90和AUC值高达0.99.
- CatBoost显示了类似的结果,但在不平衡的数据集中不太稳定;天真贝叶斯的准确性较低.
- 特性重要性分析显示,对不同抗生素,特别是β-乳糖胺的耐药性与患者人口统计学的一些影响之间存在强烈联系.
结论:
- 简单,高性能的机器学习模型可以有效地使用结构化临床数据预测抗菌素耐药性,即使在资源有限的环境中.
- 将机器学习集成到抗微生物药物耐药性 (AMR) 监测中可以提高快速诊断和有针对性的抗微生物药物管理.
- 这些方法对于应对越来越多的抗药性大肠杆菌感染挑战至关重要.
更多相关视频
09:44Characterization of a Pathogenic Escherichia coli Strain Derived from Oreochromis spp. Farms Using Whole-Genome Sequencing
Published on: December 23, 2022
2.8K
08:30One-day Workflow Scheme for Bacterial Pathogen Detection and Antimicrobial Resistance Testing from Blood Cultures
Published on: July 9, 2012
26.0K
