基于多任务学习的抗生素耐药性的早期预测模型,使用多机构队列数据

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 传染性疾病 传染性疾病

背景情况:

• 抗生素耐药性是一个关键的全球健康威胁.
• 不适当使用抗生素会加速耐药性的发展.
• 高成本的数据标签阻碍了医学研究.

研究的目的:

• 开发和比较用于预测抗生素耐药性的机器学习模型.
• 为应对医疗记录中高成本数据标签的挑战.
• 评估与单一任务模型对比的多任务学习方法.

主要方法:

• 使用59551名患者的电子病历进行了回顾性研究.
• 开发单任务学习 (逻辑回归,XGBoost,LightGBM,CatBoost,MLP) 和多任务学习 (硬,软参数共享) 模型.
• 使用ROC曲线下的面积 (AUC),精度回调曲线 (PRC) 和校准斜率进行性能评估.

主要成果:

• 在外部验证中,硬参数共享多任务学习模型在9个抗生素类别中的5个中获得了最高的AUC (79.63) 和PRC (80.26).
• 沙普利添加剂解释确定了先前的抗生素耐药性作为关键预测因素.
• 模型性能因子组而异:硬参数共享在先前的培养数据中表现出色,而软参数共享在没有它的情况下更好.

结论:

• 与传统模型相比,多任务学习模型在预测抗生素耐药性方面提供了通用,稳定和卓越的性能.
• 这种方法为处理医疗数据集中的部分目标提供了一个新的解决方案.
• 这些发现支持使用先进的机器学习来打击抗生素耐药性.