机器学习模型用于预测临床Klebsiella pneumoniae隔离物中的多药性耐药性

科学领域:

• 临床微生物学 临床微生物学
• 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

背景情况:

• 克莱布西拉肺炎对碳烯和广谱抗生素的耐药性越来越强.
• 及时选择抗生素在严重感染中至关重要,如败血症休克,但传统的耐药性测试是缓慢的.
• 需要快速预测抗菌素耐药性,以指导有效的实证治疗.

研究的目的:

• 评估机器学习 (ML) 算法,用于预测Klebsiella pneumoniae.中的抗菌素耐药性.
• 将ML模型的性能与耐力测试的传统方法进行比较.
• 确定最有效的ML算法用于快速阻力预测.

主要方法:

• 607个Klebsiella pneumoniae分离物 (2017-2024) 的回顾性分析,使用抗生素图谱数据.
• 整合患者的人口统计和临床信息与孤立数据.
• 决策树 (DT),支持向量分类器 (SVC),K-最近邻居 (KNN) 和随机森林 (RF) 算法的应用和评估.

主要成果:

• 随机森林 (RF) 模型表现出卓越的性能,平均AUC为0.96.
• 射频精确预测了对22种抗生素的耐药性,包括关键的抗生素,如埃尔塔尼姆 (100%),伊米尼姆 (93%) 和美罗尼姆 (95%).
• 功能重要性指标突出显示了阻力的主要预测指标.

结论:

• 机器学习模型,特别是射频模型,为快速预测抗生素耐药性提供了强大的工具.
• 这些模型可以在做出准确的经验性治疗决策方面发挥重要作用.
• 基于ML的预测支持增强的抗微生物管理计划.