通过预测患者生理参数优化抗生素切换
机器学习
2026-03-10 v1 应用统计
摘要
及时从静脉内(IV)抗生素治疗过渡到口服抗生素治疗可缩短住院时间，减少导管相关感染，降低医疗成本，但英国1/5的患者尽管符合切换标准仍继续使用IV抗生素。临床决策支持系统可提高切换率，但从历史决策中学习的方法会复制常规实践中的延迟和不一致性。我们提出使用神经过程对患者生理轨迹进行概率建模，通过将预测结果与临床指南比较来预测切换就绪情况，而非学习过去的行动，并对患者进行排序以优先进行临床评估。该设计具有可解释性输出，能够在无需重新训练的情况下适应更新后的指南，同时保留临床判断。我们在MIMIC-IV（美国急性照护病室，6,333例住院）和UCLH（大型城市学术UK医院群，10,584例住院）上进行了验证，该系统选取的患者比随机选择多2.2-3.2倍。我们的结果表明，通过预测患者生理情况为抗生素 stewardship提供了原则性的决策支持基础。
引用
@article{arxiv.2603.08242,
title = {Optimising antibiotic switching via forecasting of patient physiology},
author = {Magnus Ross and Nel Swanepoel and Akish Luintel and Emma McGuire and Ingemar J. Cox and Steve Harris and Vasileios Lampos},
journal= {arXiv preprint arXiv:2603.08242},
year = {2026}
}
备注
32 pages, 8 figures