使用机器学习视角评估手术ICU中的抗微生物耐药性和临床结果:一项追溯观察性研究

科学领域:

• 传染性疾病 传染性疾病
• 关键护理医学 关键护理医学
• 医疗保健中的机器学习

背景情况:

• 抗菌素耐药性 (AMR) 是重症监护病房 (ICU) 的重大威胁,导致复杂的治疗和增加的死亡率.
• 在手术ICU中的术后患者特别容易感染和AMR的发展.

研究的目的:

• 评估伊朗南部手术后的ICU患者的AMR患病率,抗生素使用和临床结果.
• 开发用于识别患有多抗药性 (MDR) 和广泛抗药性 (XDR) 感染的患者的预测模型.

主要方法:

• 对106名术后ICU患者 (2022年1月 - 2023年12月) 的回顾性研究.
• 收集的数据包括人口统计,临床细节,抗生素指标 (DOT,LOT,AFD) 和微生物培养.
• 使用交叉验证和SHAP分析开发和评估了预测模型 (XGBoost,物流回归).

主要成果:

• 观察到高死亡率 (91.5%) 和长时间的ICU停留 (中位数为14.5天).
• 格拉姆阴性细菌感染的MDR (62.07%) 和XDR (3.45%) 的患病率很高.
• XGBoost模型显示了强大的抗性预测性能 (AUC 0.786),确定感染类型,LOT和年龄作为关键预测因素.

结论:

• 手术后的ICU患者表现出高MDR感染率,广泛的抗生素暴露和死亡率.
• 机器学习,特别是XGBoost,显示了在重症监护中AMR早期风险分层的潜力.
• 这些发现支持使用ML指导抗菌药物管理和经验治疗,等待进一步验证.