在患者层面对抗生素耐药性的基于信心的预测

科学领域:

• 医学微生物学 医学微生物学
• 计算生物学 计算生物学
• 人工智能在医学中的应用

背景情况:

• 快速诊断细菌感染对于有效治疗至关重要,特别是对于抗生素耐药的病原体.
• 传统的基于种植的方法,如抗生素敏感性测试 (AST) 是缓慢的,延迟治疗,并导致抗生素过度处方.
• 抗生素耐药性的增加需要创新的诊断方法来指导及时和适当的患者护理.

研究的目的:

• 开发和评估一种深度学习方法,用于预测尚未测量的抗生素敏感性.
• 利用患者数据和现有的AST结果提供细菌耐药性表型的快速,准确的预测.
• 评估人工智能驱动的决策支持在应对抗生素耐药性日益增长的挑战方面的潜力.

主要方法:

• 使用变压器的深度学习模型在30个欧洲国家的300万个抗生素敏感性测试 (AST) 结果的大数据集上进行了训练.
• 该模型将患者数据与可用的AST结果集成在一起,以预测抗生素耐药性表型.
• 采用符合性预测,使预测不确定性能够在患者层面准确估计.

主要成果:

• 人工智能方法在各种细菌物种和抗生素中实现了93%的平均准确性.
• 它在预测易感性方面显示了较低的平均主要错误率 (类,类,类,类).
• 该模型在预测耐药性方面表现出了有希望的表现,在几个抗生素类别中,非常大的错误率低于10%,尽管在青素和类药物中观察到更高的错误率.

结论:

• 深度学习模型可以准确预测抗生素耐药性表型,为传统方法提供更快的替代方案.
• 基于人工智能的决策支持系统有可能显著改善抗生素耐药性细菌感染的管理.
• 这种方法可以帮助减少诊断延迟,优化抗生素治疗,并缓解抗菌素耐药性的传播.