Искусственный интеллект прогнозирует устойчивость к антибиотикам при интенсивной терапии

Проведенные в Иране научные исследования выявили потенциал прогнозирования риска мультифармацевтической резистентности у пациентов хирургической интенсивной терапии моделей машинного обучения. Модель XGBoost, разработанная с клиническими данными 106 пациентов, представила замечательные результаты по использованию искусственного интеллекта в управлении прогнозом устойчивости к антибиотикам и больничными инфекциями.

Устойчивость к антибиотикам является одной из важных проблем со здоровьем, которые затрудняют процессы лечения, особенно в отделениях интенсивной терапии. Бактерии с множественной лекарственной устойчивостью могут усилить контроль инфекций, показывая устойчивость к нескольким группам антибиотиков. Поэтому раннее определение пациентов с высоким риском важно для создания соответствующих стратегий лечения.

Развитие технологий искусственного интеллекта и машинного обучения в области здравоохранения создает новые направления исследований для ранней оценки этой проблемы. Опубликовано в Springer Nature научные исследованияХирургическая интенсивная терапия моделей машинного обучения изучает потенциал прогнозирования риска мультифармацевтической резистентности у пациентов.

Исследование проводилось с использованием данных 106 пациентов с интенсивной терапией.

28 октября 2025 года исследование, опубликованное в журнале UNC Infectious Diseases, было проведено в отделении хирургической интенсивной терапии больницы Намази на юге Ирана. В январе 2022 — декабре 2023 года данные пациента были ретроспективно пересмотрены после 106 операций.

Исследователи оценивали возраст, пол, дополнительные заболевания, историю хирургических операций, использование антибиотиков, результаты микробиологической культуры и клинические результаты.

Какие микроорганизмы обнаружены?

Всего в исследовании было проанализировано 175 микробиологических записей. В 145 году была достигнута положительная культура. Указанные микроорганизмы в положительных примерах:

• Escherichia coli: 20% на лице.

• Acinetobacter: На лице 17,24.

• Клебсиелла: На лице 16,55.

Множественная лекарственная устойчивость (MDR) в 62 07% изолятов была определена в 3 45% и прогрессирующая лекарственная устойчивость (XDR). Устойчивость к пан-лекарствам (PDR) не была обнаружена.

Как алгоритм XGBoost прогнозирует устойчивость к антибиотикам?

Одним из основных компонентов исследования стала модель машинного обучения, разработанная с помощью алгоритма XGBoost. XGBoost — это алгоритм, который делает прогнозы, комбинируя различные деревья решений. Он направлен на улучшение производительности модели путем рассмотрения ошибок в предыдущих прогнозах.

Исследователи сравнили модель XGBoost с методом логистической регрессии. 80% данных были разделены на учебные, 20% тестовые. Также были применены пятиэтажная перекрестная валидация и гиперпараметрическая оптимизация.

Производительность результатов модели

Модель XGBoost достигла значения 0,786 ROC-AUC и 70-процентной точности тестовых данных. Среднее значение ROC-AUC в пятислойной перекрестной проверке рассчитывалось как 0,896±0,05. Логистическая регрессионная модель достигла 0,743 теста ROC-AUC и 77% точности.

Эти результаты показывают, что модель XGBoost имеет более высокое значение ROC-AUC в своей производительности различения, но логистическая регрессия в ее измерении точности отсутствует.

Какие переменные являются анализом SHAP?

Исследователи использовали анализ SHAP для объяснения прогнозов модели. Индикатор грамотрицательной инфекции, показатель грамотрицательной инфекции, продолжительность антибиотикотерапии и возраст пациента являются одними из заметных переменных в прогнозах.

Анализ SHAP помогает выяснить, какие варианты модели затронуты. Однако эти переменные не могут привести к прямой устойчивости к антибиотикам.

Как использовать машинное обучение в здравоохранении?

Машинное обучение исследуется с точки зрения оценки практики здравоохранения, большого количества клинических данных и определения сложных отношений. Прогноз устойчивости к антибиотикам является одной из этих областей применения. Особенно в тех случаях, когда лабораторные результаты еще не достигнуты, пациенты могут предоставить имеющиеся клинические данные, оценку риска.

Определение пациентов с высоким риском среди возможных направлений данного подхода – переоценка антибиотикотерапии, приоритет микробиологических тестов и мониторинг внутрибольничных инфекций.

Всемирная организация здравоохранения Оценка устойчивости к противомикробным препаратам Этот вопрос рассматривается как важная угроза с точки зрения глобального здравоохранения. Учреждение подчеркивает важность профилактики инфекций и сильной лабораторной инфраструктуры в борьбе с резистентностью.

Как искусственный интеллект может поддерживать клинические решения?

Модели машинного обучения могут отмечать условия, которые могут быть высокими в риске резистентности, оценивая текущие клинические данные пациента.

Эти системы могут оказывать поддержку клиницистам в таких процессах, как обзор ампирической антибиотикотерапии, определение пациентов с высоким риском и приоритеты микробиологических исследований.

Но догадок, производимых искусственным интеллектом, недостаточно, чтобы дать решение о лечении в одиночку. Клиническое состояние пациента должно оцениваться вместе с результатами культуральной и антибиограммы.

В чем ограниченность исследования?

Хотя результаты исследования являются многообещающими, есть некоторые важные ограничения. Первое исследование охватывает только 106 пациентов и одну больницу. Группа данных, которая тестируется, состоит из 22 пациентов. Таким образом, невозможно напрямую обобщить результаты, полученные непосредственно у более крупных групп пациентов.

Для второй модели была проведена внешняя проверка с независимыми данными, полученными из разных больниц. Поскольку больницы могут изменить профили устойчивости и привычки использования антибиотиков, модель должна быть пересмотрена в различных системах здравоохранения.

91,5% случаев смерти в больницах также привлекают внимание. Тем не менее, этот показатель не может быть включен в общую группу пациентов в группе интенсивной терапии.

Какие шаги важны для будущих исследований?

Подход исследователей требует более широких и многопрофильных исследований для клинического применения. Проверка данных, полученных из разных больниц, может помочь оценить эффективность модели в различных профилях пациентов.

Кроме того, модель маркеров молекулярной резистентности важна для будущих исследований, таких как сравнение различных алгоритмов машинного обучения и интеграция с системами поддержки клинических решений.

Академики, заинтересованные в использовании инструментов ИИ в научных исследованиях, Инструменты искусственного интеллекта, которые можно использовать при написании диссертации Вы также можете изучить технологии, которые могут быть оценены в академических рабочих процессах с помощью контента.

Будущее искусственного интеллекта в исследованиях устойчивости к антибиотикам

Исследования носят четко сформулированный характер исследования, который показывает, что искусственный интеллект и методы машинного обучения могут использоваться для оценки риска резистентности при инфекциях интенсивной терапии. Результаты, полученные XGBoost, предлагают ценностно-ориентированный подход к исследованиям по определению пациентов с высоким риском с использованием обычных клинических данных.

Однако не факт, что модели искусственного интеллекта заменяются культуральными и антибиограммными тестами. Требуется оценка врачом клинических решений, лабораторных результатов и общего состояния пациента.

Модели, которые будут проверены в более крупных группах пациентов и различных организациях здравоохранения в будущем, могут способствовать разработке систем поддержки принятия клинических решений в области управления антибиотиками и инфекций интенсивной терапии.