机器学习模型在血流感染耐药性预测中的应用探索
机器学习模型在血流感染耐药性预测中的应用探索
随着细菌耐药性不断增加，传统的经验性治疗方案往往难以精准应对，导致治疗延误和资源浪费。尤其是在革兰阴性菌引起的血流感染中，快速准确地识别耐药性对于挽救患者生命至关重要。近年来，机器学习技术在医疗领域的应用逐渐受到关注，有望通过结合电子健康记录和预测算法，提高耐药性检测的准确性，优化抗菌药物使用。近日，《感染杂志》（Journal of Infection）发表的一项研究利用机器学习技术，针对肠杆菌目细菌血流感染的抗菌药物耐药性进行了预测研究。研究团队通过结合电子健康记录和机器学习算法，开发出一种能够快速预测耐药性的模型，为临床经验性治疗提供了新的思路和工具。
抗菌药物耐药性预测的挑战与机遇
在临床实践中，革兰阴性菌引起的血流感染是一种严重的感染性疾病，若未及时治疗可能导致严重不良后果。然而，在获得微生物学结果之前，确定哪些患者对抗菌药物耐药以指导经验性治疗具有挑战性。目前，临床医生通常根据抗菌药物指南来选择合适的治疗方案，但这些指南可能无法充分考虑患者的个体差异，例如既往耐药史或抗菌药物暴露情况。此外，获取微生物学结果通常需要24～48小时甚至更久，这进一步限制了精准治疗的实施。
近年来，机器学习技术在医疗领域的应用逐渐受到关注。通过结合电子健康记录（EHR）和预测算法，机器学习模型有望提高耐药性检测的准确性，从而优化抗菌药物的使用。然而，以往的研究大多集中在尿路感染或其他感染类型，针对血流感染的研究相对较少。本研究旨在利用机器学习模型预测肠杆菌目细菌血流感染的抗菌药物耐药性，以期为临床经验性治疗提供更精准的指导。
机器学习模型的构建与验证
本研究数据来源于牛津大学医院（OUH），纳入了2017年1月1日至2023年12月31日期间所有16岁及以上患者中血培养分离到单一肠杆菌目细菌的血流感染病例。研究团队使用XGBoost机器学习模型，针对七种常用抗菌药物（氨苄西林、阿莫西林/克拉维酸、头孢曲松、哌拉西林/他唑巴坦、甲氧苄啶/磺胺甲噁唑、环丙沙星）的耐药性进行预测。
模型的输入特征包括患者的人口统计学信息、合并症、既往抗菌药物处方、当前临床综合征、血培养时长、近期实验室血液检测次数、既往微生物学检测结果（包括样本数量、阳性结果数量和特定抗菌药物的耐药性）、患者身高体重、既往住院史、当前科室以及近期生命体征测量次数等。此外，研究还纳入了近期人群水平的耐药率作为特征。
模型训练和测试采用了时间分割法，即使用2017～2021年的数据进行训练，2022年的数据作为测试集1，2023年的数据作为测试集2，以评估模型性能随时间的变化。此外，研究还比较了三种模型更新方法：不重新训练、基于2017-2022年数据重新训练以及在线更新。
模型性能与临床实践的对比
研究共纳入4 709份肠杆菌目细菌血培养阳性样本，抗菌药物耐药率为7%～67%。在2022年的测试数据中，模型对七种抗菌药物的耐药性预测性能相当，AUC值为0.680～0.737。当纳入物种鉴定信息后（通常在采血后约24小时获得），模型性能显著提升，AUC值提高到0.723～0.827。
研究的血培养物以及实验室和临床对照组
在临床实践中，临床医生的经验性治疗使70%的患者接受了有效的β-内酰胺类抗菌药物治疗，其中44%为过度治疗（使用了比必要的更广谱的抗菌药物），26%为最佳治疗（使用了最窄谱的有效抗菌药物），30%为不足治疗（使用了无效的抗菌药物）。相比之下，机器学习模型在不使用物种数据的情况下，可以将接受有效β-内酰胺类抗菌药物治疗的患者比例提高到79%，其中45%为过度治疗，34%为最佳治疗，21%为不足治疗。
A-C. 临床医生开具处方的情况；D. 接受最佳治疗/治疗不足或过度治疗的患者比例；E. 特定抗菌药物比例
2022～2023年测试数据中模型预测与临床医生处方的比较
此外，研究还发现，模型的预测性能在2022年和2023年之间保持稳定，且模型更新方法对性能的影响较小。模型训练时间较短，约1分钟即可完成，表明模型具有良好的实时更新能力。
结论
尽管机器学习模型在预测抗菌药物耐药性方面的表现仅属中等，但其性能仍优于当前的临床实践。通过机器学习模型，可以在不增加广谱抗菌药物使用的情况下，将接受有效经验性治疗的患者比例提高9%。这一成果对于优化抗菌药物使用、减少耐药性传播具有重要意义。
然而，研究也存在一些局限性。例如，模型仅基于已知阳性血培养的患者数据进行训练和测试，而实际临床中大多数患者可能并无阳性血培养结果。此外，研究未纳入社区抗菌药物使用数据，这可能限制了模型的性能提升。未来的研究可以进一步优化模型架构，纳入更多数据来源，以提高模型的准确性和适用性。
总体而言，机器学习技术为抗菌药物耐药性的预测提供了新的思路和工具，有望在未来成为临床经验性治疗的重要辅助手段，助力抗菌药物精准治疗的实现。
▌参考文献：
Yuan K, Luk A, Wei J, Walker AS, Zhu T, Eyre DW. Machine learning and clinician predictions of antibiotic resistance in Enterobacterales bloodstream infections. J Infect. Published online December 30, 2024. doi:10.1016/j.jinf.2024.106388