Intelligence artificielle Prévisions Résistance aux antibiotiques dans les soins intensifs

La recherche scientifique menée en Iran a révélé le potentiel de prédiction du risque de résistance multipharmaceutique chez les patients souffrant de soins intensifs chirurgicaux de modèles d'apprentissage automatique. Le modèle XGBoost développé avec des données cliniques de 106 patients a présenté des résultats remarquables sur l'utilisation de l'intelligence artificielle dans la gestion des prévisions de résistance aux antibiotiques et des infections hospitalières.

La résistance aux antibiotiques est l'un des problèmes de santé importants qui rendent les processus de traitement difficiles, surtout dans les unités de soins intensifs. Les bactéries présentant une résistance aux médicaments multiples peuvent renforcer le contrôle des infections en montrant une résistance à plusieurs groupes d'antibiotiques. Par conséquent, la détermination précoce des patients à haut risque est importante pour la création de stratégies de traitement appropriées.

L'évolution de l'utilisation de l'intelligence artificielle et des technologies d'apprentissage automatique dans le domaine de la santé crée de nouveaux domaines de recherche pour l'évaluation précoce de ce problème. Publié dans Springer Nature recherche scientifiqueLes soins intensifs chirurgicaux des modèles d'apprentissage automatique examinent le potentiel de prédire le risque de résistance multipharmaceutique chez les patients.

La recherche a été effectuée avec les données de 106 patients en soins intensifs

Le 28 octobre 2025, l'étude publiée dans le magazine des maladies infectieuses de l'UNC a été menée dans l'unité de soins intensifs chirurgicaux de l'hôpital Namazi dans le sud de l'Iran. En janvier 2022-décembre 2023, les données du patient ont été rétrospectivement revues après 106 chirurgies.

Les chercheurs ont évalué l'âge, le sexe, d'autres maladies, les antécédents chirurgicaux, l'utilisation d'antibiotiques, les résultats de culture microbiologique et les résultats cliniques.

Quels micro-organismes sont détectés?

Au total, 175 dossiers microbiologiques ont été évalués dans l'étude. En 145, une culture positive a été réalisée. Voici des exemples positifs de microorganismes spécifiés :

• Escherichia coli: 20% sur le visage.

• Acinetobacter: Sur le visage 17,24.

• Klebsiella: Sur le visage 16,55.

Dans 62,07 p. 100 des isolats, la résistance aux médicaments multiples a été déterminée dans 3,45 p. La résistance pan-drogue n'a pas été détectée.

Comment l'algorithme XGBoost prévoit-il la résistance aux antibiotiques?

L'un des éléments fondamentaux de la recherche a été le modèle d'apprentissage automatique développé avec l'algorithme XGBoost. XGBoost est un algorithme qui fait la prédiction en combinant différents arbres de décision. Il vise à améliorer la performance du modèle en considérant les erreurs dans les prévisions précédentes.

Les chercheurs ont comparé le modèle XGBoost à la méthode de régression logistique. 80 % de l'ensemble de données ont été divisés en formation, à des fins d'essai de 20 %. On a également appliqué la validation croisée de cinq étages et l'optimisation de l'hyperparamètre.

Résultats de rendement du modèle

Le modèle XGBoost a atteint 0,786 ROC-AUC et 70 % de précision dans les données d'essai. La valeur moyenne ROC-AUC pour la vérification croisée à cinq couches a été calculée comme 0,896±0,05. Modèle de régression logistique obtenu 0,743 test ROC-AUC et 77 pour cent de précision.

Ces résultats montrent que le modèle XGBoost a une valeur ROC-AUC plus élevée dans sa performance de distinction, mais la régression logistique dans sa mesure de précision est sortie.

Quelles sont les variables de l'analyse SHAP?

Les chercheurs ont utilisé l'analyse SHAP pour expliquer les prévisions du modèle. L'indicateur Gram positif de l'infection, l'indicateur Gram positif de l'infection, la durée du traitement antibiotique et l'âge du patient sont parmi les variables principales dans les prédictions.

L'analyse SHAP aide à déterminer quelles variantes du modèle sont touchées. Cependant, ces variables ne peuvent pas se révéler causer une résistance directe aux antibiotiques.

Comment utiliser l'apprentissage automatique en santé?

L'apprentissage automatique fait l'objet de recherches en ce qui concerne l'évaluation des pratiques de santé, une grande quantité de données cliniques et la détermination des relations complexes. La prédiction de la résistance aux antibiotiques est un de ces domaines d'application. En particulier dans les cas où les résultats de laboratoire ne sont pas encore atteints, les patients peuvent fournir les données cliniques disponibles, l'évaluation des risques.

La détermination des patients à haut risque dans les domaines possibles de cette approche est la réévaluation de l'antibiothérapie, la priorité des tests microbiologiques et la surveillance des infections hospitalières.

Organisation mondiale de la santé évaluation de la résistance aux antimicrobiens Cette question est traitée comme une menace importante pour la santé mondiale. L'institution souligne l'importance de prévenir les infections et de renforcer l'infrastructure de laboratoire dans la lutte contre la résistance.

Comment l'intelligence artificielle peut-elle soutenir les décisions cliniques?

Les modèles d'apprentissage automatique peuvent marquer des conditions qui peuvent être élevées dans le risque de résistance en évaluant les données cliniques actuelles du patient.

Ces systèmes peuvent aider les cliniciens dans des processus tels que l'examen de l'antibiotique ampirique, la détermination des patients à haut risque et les priorités des examens microbiologiques.

Mais les suppositions produites par l'intelligence artificielle ne suffisent pas à donner la seule décision de traitement. L' état clinique du patient doit être évalué en même temps que les résultats de culture et d' antibiogramme.

Quelle est la limite de la recherche?

Bien que les résultats de l'étude soient prometteurs, il existe d'importantes limites. La première recherche couvre seulement 106 patients et un seul hôpital. Le groupe de données, qui est testé, se compose de 22 patients. Par conséquent, il n'est pas possible de généraliser directement les résultats de la performance obtenue directement aux grands groupes de patients.

Pour le deuxième modèle, une vérification externe a été effectuée avec des données indépendantes obtenues de différents hôpitaux. Comme les hôpitaux peuvent modifier les profils de résistance et les habitudes d'utilisation des antibiotiques, le modèle doit être réévalué dans différents systèmes de santé.

91,5 % du taux de mortalité hospitalière rapporté dans la recherche attire également l'attention. Toutefois, ce taux ne peut être inclus dans la population générale de soins intensifs du groupe de patients privés dans l'étude.

Quelles sont les étapes importantes pour la recherche future?

L'approche des chercheurs nécessite des études plus larges et multi-basées pour porter des applications cliniques. Les vérifications à effectuer avec les données obtenues de différents hôpitaux peuvent aider à évaluer le rendement du modèle dans différents profils de patients.

En outre, le modèle des marqueurs de résistance moléculaire est important pour les questions de recherche futures, comme la comparaison de différents algorithmes d'apprentissage automatique et l'intégration avec les systèmes de soutien à la décision clinique.

Les académiciens intéressés par l'utilisation des outils d'IA dans la recherche scientifique, Outils d'intelligence artificielle qui peuvent être utilisés dans l'écriture de thèse Vous pouvez également examiner les technologies qui peuvent être évaluées dans les processus de travail académique par le contenu.

L'avenir de l'intelligence artificielle dans la recherche sur la résistance aux antibiotiques

La recherche porte une nature d'étude articulée qui montre que l'intelligence artificielle et les méthodes d'apprentissage automatique peuvent être utilisées pour évaluer le risque de résistance dans les infections à soins intensifs. Les résultats obtenus par XGBoost offrent une approche axée sur la valeur de la recherche sur la détermination des patients à haut risque à l'aide de données cliniques de routine.

Cependant, pas le fait que les modèles d'intelligence artificielle sont remplacés par des tests de culture et d'antibiyogramme. Le médecin doit évaluer les décisions cliniques, les résultats de laboratoire et l'état général du patient.

Les modèles à vérifier dans de plus grands groupes de patients et dans différentes organisations de soins de santé à l'avenir peuvent contribuer au développement de systèmes d'aide à la décision clinique dans le contrôle de la gestion des antibiotiques et des infections à soins intensifs.