基于机器学习预测肠梭菌抗药性（AMR）及其成本负担分析
定量方法
2025-09-05 v1 机器学习
摘要
抗药性（Antimicrobial Resistance, AMR）是一个重大的公共卫生与经济挑战，增加治疗成本并降低抗生素的有效性。本研究采用机器学习方法分析来自公开数据库（PubMLST）的分子鉴定和微生物基因组多样性数据，融合英国政府支持的 AMR 监测数据（Food Standards Agency 与 Food Standards Scotland）。我们对 2001 年至 2017 年期间在英国收集的肠梭菌 jejuni 与肠梭菌 coli 株发现 AMR 规律。研究将全基因组测序（Whole-Genome Sequencing, WGS）数据、流行病学元数据与经济预测相结合，以识别关键抗性因子并预测未来抗性趋势与医疗成本。我们研究了导致氟喹诺酮抗性的 gyrA 突变以及介导四环素抗性的 tet(O) 基因，训练 Random Forest 模型并采用 bootstrap 抽样（1,000 次抽样，95% 置信区间）进行验证，实现 74% 的 AMR 表型预测准确率。时间序列预测模型（SARIMA、SIR 与 Prophet）预测肠梭菌中和毒性病例数将在 2050 年可能超过每 10 万人 130 例，若不加干预，经济负担预计将超过 19 亿英镑。结合时间模式、不确定性估计与抗性趋势建模的增强型 Random Forest 系统（分析 6,683 株）进一步优化预测，显示出持续的高水平 β-内酰胺抗性、增加的氟喹诺酮抗性以及波动的四环素抗性。
引用
@article{arxiv.2509.03551,
title = {Predicting Antimicrobial Resistance (AMR) in Campylobacter, a Foodborne Pathogen, and Cost Burden Analysis Using Machine Learning},
author = {Shubham Mishra and The Anh Han and Bruno Silvester Lopes and Shatha Ghareeb and Zia Ush Shamszaman},
journal= {arXiv preprint arXiv:2509.03551},
year = {2025}
}
备注
9 pages, 3 figures, 1 table. Submitted to a Briefings in Bioinformatics journal and waiting for the outcome