Antibiotics | 引人注目的机器学习模型用于评估ICU入院时多重耐药细菌携带风险

小赛推荐：

本文通过机器学习模型分析多重耐药细菌（MDR）在ICU入院时的携带风险，评估传统风险因素清单的局限性，并提出更优的预测策略。研究强调了风险因素的累积效应，并指出部分患者缺乏明确的可识别风险因素，为临床预防隔离策略的优化提供了理论依据。

 

文献概述
本文《Machine Learning Models to Establish the Risk of Being a Carrier of Multidrug-Resistant Bacteria upon Admission to the ICU》，发表于《Antibiotics》杂志，回顾并总结了一项针对ICU入院患者多重耐药细菌（MDR）携带风险的机器学习分析研究。研究基于西班牙“Resistencia Zero”（RZ）项目的风险因素清单，采用多种机器学习模型（包括逻辑回归、CHAID决策树和XGBoost模型）来提高MDR筛查的准确性，并通过SHAP分析增强模型可解释性。

背景知识
多重耐药细菌（MDR）是医院感染防控中的重要挑战，尤其是在ICU环境中，其高传播风险与较差的治疗结果密切相关。传统风险因素评估虽广泛使用，但在敏感性和特异性方面存在局限，导致部分MDR携带者未被识别。近年来，机器学习技术在医学数据挖掘与预测建模中展现出潜力，因其可解释性强、泛化能力高，成为优化筛查流程的重要工具。本研究在真实临床数据基础上，验证了不同模型的适用性，并强调了抗生素使用和风险因素累积在MDR预测中的关键作用，为个性化隔离策略提供了新思路。

 

提供高纯度、高滴度、多种血清型的AAV现货，适用于基因治疗、神经科学研究、光遗传学研究、组织特异性基因表达调控、药物筛选与开发等。

了解更多

 

研究方法与实验
本研究基于西班牙Arnau de Vilanova大学医院ICU的回顾性队列数据，收集2014至2016年间2459名患者信息。研究采用机器学习模型进行风险预测，包括二元逻辑回归、CHAID决策树和XGBoost模型。数据被随机划分为开发组（70%）和验证组（30%），通过统计分析评估各模型的敏感性、特异性、AUC-ROC曲线和校准曲线。SHAP分析被用于解释XGBoost模型的变量重要性。

关键结论与观点

• 62.8%的MDR携带者具有RZ清单中的风险因素，其中38%有1项、40%有2项、22%有3项或以上风险因素。
• 逻辑回归模型识别出最重要的风险因素包括：既往MDR定植或感染史、近期抗生素治疗、养老院居住、近期住院和肾功能衰竭。
• CHAID决策树模型显示：有既往MDR定植或感染史的患者中，56%为MDR携带者；若同时接受过抗生素治疗，携带率升至74%。
• XGBoost模型通过SHAP分析指出，与抗生素治疗相关的变量在预测MDR携带中具有最高重要性。
• 37%的MDR携带者在RZ清单中未发现任何风险因素，提示传统筛查方法存在遗漏。
• 研究显示，RZ清单在ICU入院时筛查MDR的敏感性和特异性不足，而机器学习模型在保持可解释性的同时，提供了更优的判别能力。

研究意义与展望
本研究为ICU入院患者的MDR筛查提供了一种新的机器学习策略，支持风险分层和预防性隔离的优化。未来研究需在多中心环境中验证模型，并结合更丰富的临床变量，以提高预测准确性。此外，可考虑开发自动化筛查工具，实现模型在临床实践中的实时应用，从而改善感染控制和抗菌药物使用策略。

 

提供定制化的基因敲除、基因敲入、点突变、RNAi、转基因等细胞模型，支持基因功能研究、疾病机制探索、药物靶点筛选及药效评估。

了解更多

 

结语
综上所述，本研究揭示了传统RZ项目在ICU入院患者中筛查多重耐药细菌（MDR）的局限性，并通过机器学习方法（逻辑回归、CHAID决策树和XGBoost模型）提供更优的预测工具。研究强调风险因素的累积效应，同时指出近三分之一的MDR携带者缺乏可识别风险因素，为临床隔离策略的个体化优化提供了依据。未来，需在多中心数据中验证模型的泛化能力，并探索其在实时感染控制中的应用潜力。

 

Sulamita Carvalho-Brugger, Mar Miralbés Torner, Gabriel Jiménez Jiménez, Mercedes Palomar Martínez, and Javier Trujillano Cabello. Machine Learning Models to Establish the Risk of Being a Carrier of Multidrug-Resistant Bacteria upon Admission to the ICU. Antibiotics.