个性化抗生素图:一种新型的多任务机器学习框架,用于同时预测抗菌素耐药性概况,并增强检测肠杆菌族的卡巴耐药性

科学领域:

• 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
• 临床微生物学 临床微生物学

背景情况:

• 传统的抗生素图缺乏个性化的抗菌选择实用性,因为总结了耐药性数据.
• 现有的预测模型往往忽略了阻力配置文件之间的相关性.
• 新型多任务极端梯度增强 (XGBoost) 模型是使用电子健康记录 (EHR) 数据开发的.

研究的目的:

• 开发和评估新的多任务XGBoost模型,用于同时预测抗菌药物对八个类别的耐药性.
• 将多任务模型的性能与传统医院抗生素图和单个目标模型进行比较.
• 评估"个性化抗菌谱"对增强抗微生物选择的有用性.

主要方法:

• 对大肠杆菌和Klebsiella spp.进行回顾性多中心研究. 来自127家医院的隔离物 (2017年1月至2024年9月).
• 模型开发使用2017年1月至2023年9月的数据;使用2023年10月至2024年9月的数据进行前性测试.
• 与医院抗生素图和单个目标XGBoost模型相比,多任务模型的性能进行比较.

主要成果:

• 多任务模型在接收器操作特征曲线 (AUROCs) 下的面积为大肠杆菌的0.779和Klebsiella spp.的0.810. 在测试数据上.
• 每个级别的表现显示出良好的至优秀的AUROC,范围为0.743-0.847.
• 多任务方法改善了校准,降低了碳烯抗性假负率,并提供了个性化的抗性概率.

结论:

• 一个多任务的XGBoost框架准确地预测了格兰氏阴性病原体的个性化耐药性概况.
• 这种方法的性能优于传统的抗生素图和单个点模型.
• 个性化抗生素图可以改善经验性治疗选择和卡巴胺耐药性检测.