在使用机器学习的脊髓损伤患者中预测症状和无症状细菌尿
M Mozammel Hoque1, Parisa Noorian1, Gustavo Espinoza-Vergara1
1Australian Institute for Microbiology & Infection, University of Technology Sydney, Sydney, NSW, Australia.
Microbiome
|November 28, 2025
概括
机器学习通过分析尿液和导管微生物组数据,准确地区分脊髓损伤 (SCI) 患者的症状和无症状尿路感染 (UTI). 这种方法有助于减少不必要的抗生素使用,并改善患者的治疗结果.
科学领域:
- 微生物学 微生物学
- 生物信息学是一种生物信息学.
- 医疗信息学 医疗信息学
背景情况:
- 脊髓损伤 (SCI) 患者通常需要尿导管,增加了对导管相关细菌尿和尿路感染 (UTI) 的易感性.
- 目前对尿路感染的诊断方法缺乏准确性,导致过度使用抗生素和耐药细菌的增加.
- 微生物组失调与感染和患者健康状况有关,突出显示了对先进诊断工具的需求.
研究的目的:
- 开发和验证用于预测SCI患者的尿路感染的机器学习 (ML) 框架.
- 利用尿液和导管微生物组数据进行精确的尿路感染诊断.
- 尽量减少不必要的抗生素处方,并提高患者的健康结果.
主要方法:
- 在18个月内,分析了来自27名SCI参与者的609个尿液和导管样本的16S rRNA基因测序数据.
- 在无症状和症状细菌群体之间比较微生物群体组成,α多样性和β多样性.
- 培训监督的ML模型,使用安普利康序列变异 (ASV) 计数和细菌分类丰度进行分类.
- 采用重复的十倍和离开一个参与者 (LOPO) 交叉验证策略.
主要成果:
- 在无症状和症状细菌尿之间观察到微生物群体组成的显著差异.
- 症状性细菌性尿症显示,α多样性显著下降 (P < 0.01) 和β多样性显著差异 (P < 0.05).
- 在ML模型中,尿液和导管微生物组数据的组合实现了高性能,ASV的平均AUROC为0.95,测试组中的类型为0.83 (重复十倍CV).
- 在LOPO交叉验证中,ASV的平均AUROC为0.87,类别为0.79.
结论:
- 导管和尿样中的微生物群签名可以有效监测SCI患者的健康状况.
- 基于微生物特征的分类系统可以指导管理策略,减少尿路感染发作和医疗保健成本.
- 这种方法提供了一种有希望的方法来缓解耐药性尿路感染,并改善SCI患者的生活质量.
