В недавнем исследовании, опубликованном на сайте Research Square, ученые разработали и протестировали систему поддержки принятия клинических решений (CDSS) на основе машинного обучения (ML) для прогнозирования резистентности к антибиотикам.
В клинической практике результаты исследований бактериальных культур и антибиограмм могут занимать несколько дней. Между тем, назначение эмпирического противомикробного лечения представляет собой сложную задачу, в которой врач должен найти баланс между спектром антибиотиков и ожидаемой вероятностью чувствительности. CDSS может помочь практикующему врачу выбрать подходящие антимикробные препараты. Однако для прогнозирования резистентности к антибиотикам и обоснования выбора лекарственных средств разработано лишь несколько CDSS на основе ML (ML-CDSS).
В настоящем исследовании была разработана и оценена ML-CDSS с использованием 7-летних исторических данных о бактериальной резистентности в Hôpital Européen Marseille, Франция. Учёные проанализировали 30 975 антибиограмм от более чем 13 000 пациентов в период с января 2014 года по декабрь 2020 года. Большинство бактерий были грамотрицательными палочками и были выделены из мочи, дыхательных путей, крови или абсцессов.
Основными выделенными видами были Escherichia coli, Klebsiella pneumoniae, Staphylococcus aureus, Pseudomonas aeruginosa и Enterococcus faecalis. Данные антибиограммы были стратифицированы на массивы данных 2014-19 и 2020 годов. Типы и виды культур демонстрировали неоднородность чувствительности к отдельным антибиотикам. Уровень чувствительности также различался по типам образцов; он составлял 56% к амоксициллину-клавуланату в образцах мочи и 35% в образцах из нижних дыхательных путей.
Чувствительность к цефотаксиму/цефтриаксону составила 49% для изолятов от пациентов реанимации и интенсивной терапии, но 77% для изолятов от пациентов отделения реанимации. Чувствительность к цефотаксиму/цефтриаксону составила 27% при носительстве бактерий с множественной лекарственной резистентностью (MDR) в течение последних трех месяцев, 54%, если носительство MDR не было документировано (для известных пациентов), и 72% для изолятов от неизвестных пациентов.
Чувствительность к отдельным антибиотикам была стабильной с течением времени, за исключением амикацина, эртапенема, цефотаксима/цефтриаксона и триметоприма-сульфаметоксазола. Далее группа подготовила Байесовские (BAY) и частотные (FRQ) модели и алгоритмы ML, используя данные 2014-19 годов (80% обучения и 20% тестирования) и ковариаты, включая происхождение/дату образца, предыдущее носительство бактерий MDR и тип больничного отделения, для прогнозирования чувствительности к антибиотикам до получения результатов антибиограммы.
Алгоритмы ML включали AdaBoost (ADA), градиентный бустинг (GBS), рандомный лес (RF), бэггинг (BAG), экстремальный градиентный бустинг (XGB), нейронные сети (NN) и логистическую регрессию (LR). Были установлены 4 различных этапа, предшествующих составлению антибиограммы (отбор проб, прямое исследование, культура и этап видовой идентификации). Модели были обучены для прогнозирования вероятности чувствительности к антибиотикам 22 отдельных и 25 комбинированных антибиотиков для изолятов из валидного массива данных 2020 года.
В целом, результаты показывают, что модели на основе нейронных сетей и байесовские модели подходят для раннего прогнозирования чувствительности к антибиотикам даже на ранних этапах (отбор проб и прямое исследование). На более поздних этапах (культивирование и видовая идентификация) эффективность прогнозирования еще более улучшилась.
