[論文レビュー] Machine learning techniques to identify antibiotic resistance in patients diagnosed with various skin and soft tissue infections

Farnaz H. Foomani, Shahzad Mirza+5 more|arXiv (Cornell University)|Feb 28, 2022

Bacterial Identification and Susceptibility Testing被引用数 4

ひとこと要約

本研究では、臨床的・人口統計的および抗菌薬感受性試験（ABST）データを用いて、皮膚および軟部感染症（SSTI）患者における抗菌薬耐性を予測する機械学習モデルを開発した。モデルのAUCスコアは、グラム陽性球菌では0.68～0.98、グラム陰性桿菌では0.56～0.93を示し、患者レベルの特徴量が、抗菌薬クラスに応じて中程度から高い精度で耐性を予測可能であることを示した。

ABSTRACT

Skin and soft tissue infections (SSTIs) are among the most frequently observed diseases in ambulatory and hospital settings. Resistance of diverse bacterial pathogens to antibiotics is a significant cause of severe SSTIs, and treatment failure results in morbidity, mortality, and increased cost of hospitalization. Therefore, antimicrobial surveillance is essential to predict antibiotic resistance trends and monitor the results of medical interventions. To address this, we developed machine learning (ML) models (deep and conventional algorithms) to predict antimicrobial resistance using antibiotic susceptibility testing (ABST) data collected from patients clinically diagnosed with primary and secondary pyoderma over a period of one year. We trained an individual ML algorithm on each antimicrobial family to determine whether a Gram-Positive Cocci (GPC) or Gram-Negative Bacilli (GNB) bacteria will resist the corresponding antibiotic. For this purpose, clinical and demographic features from the patient and data from ABST were employed in training. We achieved an Area Under the Curve (AUC) of 0.68-0.98 in GPC and 0.56-0.93 in GNB bacteria, depending on the antimicrobial family. We also conducted a correlation analysis to determine the linear relationship between each feature and antimicrobial families in different bacteria. ML techniques suggest that a predictable nonlinear relationship exists between patients' clinical-demographic characteristics and antibiotic resistance; however, the accuracy of this prediction depends on the type of the antimicrobial family.

研究の動機と目的

• 皮膚および軟部感染症（SSTI）における抗菌薬耐性の増加が、治療失敗、合併症、死亡率、医療費の増加に寄与するという問題に対処するため。
• 患者レベルの臨床的および人口統計的特徴を用いて、グラム陽性球菌（GPC）およびグラム陰性桿菌（GNB）の耐性パターンを予測する機械学習モデルを開発するため。
• 1年間の期間にわたり収集されたABSTデータを用いて、ディープラーニングおよび従来の機械学習アルゴリズムの両方の予測性能を評価するため。
• 異なる抗菌薬群において、患者特徴と耐性との間に最も強く相関する要因を特定するため。
• 患者の特徴と耐性との間に存在する非線形な関係を、信頼性を持ってモデル化できるかどうかを評価するため。

提案手法

• 本研究では、抗菌薬群ごとに個別の機械学習モデルを訓練し、グラム陽性球菌（GPC）とグラム陰性桿菌（GNB）に区別して処理した。
• 特徴量には、臨床的および人口統計的患者データに加え、1年間の臨床データから得られた抗菌薬感受性試験（ABST）結果を含めた。
• 従来の機械学習アルゴリズムとディープラーニングアルゴリズムの両方を用いて、各抗菌薬クラスの耐性反応を予測した。
• モデルの性能評価には、識別能力を評価するための受信者操作特性曲線下積分（AUC）指標を用いた。
• 個々の特徴量と耐性反応との間の線形関係を定量化するために相関分析を実施した。
• 分析の焦点は、多様な細菌病原体における耐性を予測する患者特徴のパターンを特定することにあった。

実験結果

リサーチクエスチョン

• RQ1 臨床的および人口統計的データを用いて、機械学習モデルは皮膚および軟部感染症患者における抗菌薬耐性を正確に予測できるか？
• RQ2 グラム陽性およびグラム陰性病原体において、異なる抗菌薬群ごとにモデルの性能はどのように変動するか？
• RQ3 患者レベルの特徴と耐性反応との間の関係の強さと性質は何か？
• RQ4 患者データにおける非線形パターンは、耐性トレンドをどの程度まで予測できるか？
• RQ5 特定の抗菌薬クラスにおいて、耐性と最も強く相関する臨床的および人口統計的特徴は何か？

主な発見

• 機械学習モデルは、グラム陽性球菌（GPC）に対して0.68～0.98のAUCスコアを達成し、抗菌薬群に応じて強力なから中程度の予測性能を示した。
• グラム陰性桿菌（GNB）では、AUC値が0.56～0.93の範囲にあり、変動は見られるが、多くの場合強力な予測能力を示した。
• 患者の臨床的・人口統計的特徴と抗菌薬耐性との間に非線形な関係が同定され、線形モデルを超える複雑な相互作用が存在することが示唆された。
• 予測精度は抗菌薬群ごとに顕著に変動し、特定の薬剤群では高い性能が得られた。
• 相関分析により、特定の患者特徴が特定の細菌群および抗菌薬タイプにおいて、耐性とより強く関連していることが明らかになった。
• 本結果は、機械学習が日常的に収集される臨床データを効果的に用いて耐性トレンドをモデル化できることを示しており、早期介入および抗菌薬適正使用の支援に貢献する。