衡量儿童重症监护室中抗菌药物 stewardship 的机器学习模型性能

抗菌药物 stewardship (AMS) 在儿童重症监护室 (PICU) 中至关重要,因诊断不确定性常导致广谱抗生素使用,从而增加抗药性及潜在长期风险。机器学习为从电子健康记录数据中识别儿童患者层面的干预机会提供了有前景的方案,但以往研究主要聚焦于成人人群且仅使用静态表格数据。我们present了一项针对PICU中AMS干预预测的系统性基准测试研究,涵盖公开数据集和机构私有队列。我们定义了四个旨在减少抗生素暴露的临床相关代理目标:静脉至口服转换、减量、停药及短程疗法。基于统一的评估框架,我们比较了表格模型、基于序列的模型和基于图的时序模型在多个时间分辨率下的性能。我们发现,预测性能主要受目标悖论率和数据集特征驱动,而非模型复杂度。序列模型在粗糙(24小时)时间分辨率下优于表格方法的精确率-召回率权衡,而更细粒度的时间建模提供的额外收益有限。然而,这些收益以较差的校准为代价,简单表格模型提供更可靠的概率估计。多任务学习仅带来边际改进,表明不同stewardship目标之间共享结构有限。我们的发现凸显了目标设计、时序表示和校准在临床机器学习中的重要性,并为开发儿童AMS可靠决策支持系统提供了实用指导。