在用安培/苏尔巴克坦或 piperacillin/tazobactam 治疗的患者中,开发一种对eosinophilia 的预测模型

科学领域:

• 药物监督 药物监督 药物监督
• 临床药理学 临床药理学
• 医疗信息学 医疗信息学

背景情况:

• 抗生素诱导的氨酸是一种潜在的不良药物反应.
• 青素/β-乳糖酶抑制剂治疗在住院患者中很常见.
• 对药物不良反应的预测模型可以提高患者的安全性.

研究的目的:

• 为了识别抗生素诱导的乙酸的危险因素.
• 开发一个机器学习增强的预测风险评分模型.
• 改进高风险患者的识别,以进行有针对性的监测.

主要方法:

• 对378名接受安培/苏尔巴克坦或皮佩拉西林/塔扎巴克坦治疗的住院患者进行了回顾性队列研究.
• 多变量后勤回归用于识别独立的风险因素.
• 弹性净回归和交叉验证用于机器学习模型开发和评估 (AUROC).

主要成果:

• 在27名 (7.1%) 患者中,发生了eosinophilia.
• 确定了九种独立的危险因素:氨基糖化物,心律失常,氨酸酸,糖, levetiracetam,聚二烯硫酸盐,类风湿性关节炎,中风和ursodeoxycholic acid.
• 一个风险得分 (0-8) 预测了从3.3%到93.8%的eosinophilia概率 (AUROC=0.787);弹性净回归显示了最高的性能.

结论:

• 开发了一种临床适用的风险评分模型来预测eosinophilia.
• 机器学习集成增强了模型准确性,用于精确的风险识别.
• 该模型支持主动风险评估和为接受青素/β-乳糖酶抑制剂的患者量身定制的干预措施.