用于识别各类皮肤及软组织感染患者抗生素耐药性的机器学习技术
机器学习
2022-03-01 v1 人工智能
摘要
皮肤及软组织感染（SSTIs）是门诊和住院环境中最常见的疾病之一。多种细菌病原体对抗生素的耐药性是严重 SSTIs 的重要原因，治疗失败会导致发病、死亡及住院费用增加。因此，抗菌药物监测对于预测抗生素耐药趋势和监测医疗干预结果至关重要。为此，我们开发了机器学习（ML）模型（深度与传统算法），利用从临床诊断为原发性和继发性脓皮病的患者收集为期一年的抗生素药敏试验（ABST）数据来预测抗菌耐药性。我们在每个抗菌药家族上训练单独的 ML 算法，以确定革兰氏阳性球菌（GPC）或革兰氏阴性杆菌（GNB）细菌是否会抵抗相应抗生素。为此，训练采用了患者的临床与人口统计学特征以及 ABST 数据。根据抗菌药家族不同，我们在 GPC 中取得了 0.68–0.98 的曲线下面积（AUC），在 GNB 细菌中取得了 0.56–0.93 的 AUC。我们还进行了相关性分析，以确定不同细菌中每个特征与抗菌药家族之间的线性关系。ML 技术表明，患者的临床-人口统计学特征与抗生素耐药性之间存在可预测的非线性关系；然而，该预测的准确性取决于抗菌药家族的类型。
引用
@article{arxiv.2202.13496,
title = {Machine learning techniques to identify antibiotic resistance in patients diagnosed with various skin and soft tissue infections},
author = {Farnaz H. Foomani and Shahzad Mirza and Sahjid Mukhida and Kannuri Sriram and Zeyun Yu and Aayush Gupta and Sandeep Gopalakrishnan},
journal= {arXiv preprint arXiv:2202.13496},
year = {2022}
}
备注
17 pages, 7 figures, 4 tables