[논문 리뷰] Machine learning techniques to identify antibiotic resistance in patients diagnosed with various skin and soft tissue infections

Farnaz H. Foomani, Shahzad Mirza외 5명|arXiv (Cornell University)|2022. 02. 28.

Bacterial Identification and Susceptibility Testing인용 수 4

한 줄 요약

이 연구는 임상적, 인구통계학적 및 항생제 감수성 검사(ABST) 데이터를 사용하여 피부 및 연조직 감염(SSTI) 환자에서 항생제 내성 예측을 위한 기계학습 모델을 개발한다. 모델은 그람 양성 구균에 대해 AUC 점수 0.68–0.98을, 그람 음성 막대세균에 대해 0.56–0.93를 기록하여 환자 수준의 특징이 항생제 계열에 따라 중간에서 높은 정확도로 내성 예측이 가능하다는 것을 보여준다.

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.

연구 동기 및 목표

• 피부 및 연조직 감염(SSTI)에서 증가하는 항생제 내성으로 인한 치료 실패, 합병증, 사망률 증가 및 의료비 증가 문제를 해결하기 위해.
• 환자 수준의 임상적 및 인구통계학적 특징을 사용하여 그람 양성 구균(GPC) 및 그람 음성 막대세균(GNB)의 내성 패턴을 예측하는 기계학습 모델을 개발하기 위해.
• 일년간 수집된 ABST 데이터를 바탕으로 딥 러닝 및 전통적인 기계학습 알고리즘의 예측 성능을 평가하기 위해.
• 다양한 항생제 계열에서 내성과 가장 강하게 관련된 환자 특징을 규명하기 위해.
• 환자 특징과 내성 간의 비선형 관계가 신뢰성 있게 모델링될 수 있는지 평가하기 위해.

제안 방법

• 연구는 각 항생제 계열에 대해 별도의 기계학습 모델을 훈련시었으며, 그람 양성 구균(GPC)과 그람 음성 막대세균(GNB)을 구분하였다.
• 특징으로는 일년간의 임상 데이터에서 확보한 임상적 및 인구통계학적 환자 정보와 함께 항생제 감수성 검사(ABST) 결과를 포함하였다.
• 각 항생제 계열의 내성 결과를 예측하기 위해 전통적 알고리즘과 딥 러닝 알고리즘을 모두 적용하였다.
• 모델 성능 평가에는 분류 능력을 평가하기 위해 AUC(ROC 곡선 아래 면적) 지표를 사용하였다.
• 각 항생제 계열에 대해 개별 특징과 내성 결과 간의 선형 관계를 정량화하기 위해 상관 분석을 실시하였다.
• 분석은 다양한 박테리아 병원체에서 내성 예측에 기여하는 환자 특성 패턴을 규명하는 데 집중하였다.

실험 결과

연구 질문

• RQ1 임상적 및 인구통계학적 데이터를 사용하여 기계학습 모델이 피부 및 연조직 감염 환자에서 항생제 내성을 정확하게 예측할 수 있는가?
• RQ2 그람 양성 및 그람 음성 병원체에 대해 다양한 항생제 계열에서 모델 성능는 어떻게 달라지는가?
• RQ3 환자 수준의 특징과 내성 결과 간의 관계 강도와 성격은 어떠한가?
• RQ4 환자 데이터의 비선형 패턴이 내성 추세 예측에 얼마나 기여하는가?
• RQ5 특정 항생제 계열에서 내성과 가장 강하게 관련된 임상적 및 인구통계학적 특징은 무엇인가?

주요 결과

• 기계학습 모델은 그람 양성 구균(GPC)에 대해 AUC 점수 0.68~0.98를 기록하여 항생제 계열에 따라 중간에서 높은 예측 성능를 보였다.
• 그람 음성 막대세균(GNB)의 경우 AUC 값은 0.56~0.93를 기록하여 변동성이 있었지만 일반적으로 강력한 예측 능력을 보였다.
• 환자 임상-인구통계학적 특징과 항생제 내성 간에 비선형 관계가 확인되어 선형 모델을 초월한 복잡한 상호작용이 존재함을 시사하였다.
• 예측 정확도는 항생제 계열에 따라 크게 달라졌으며, 일부 약물 계열에서 높은 성능가 관찰되었다.
• 상관 분석 결과 특정 환자 특징이 특정 박테리아 군집 및 항생제 유형에서 내성과 더 강하게 연관되어 있음을 규명하였다.
• 결과적으로 기계학습은 일반적으로 수집되는 임상 데이터를 효과적으로 활용하여 내성 추세를 모델링할 수 있으며, 이는 조기 간섭 및 항생제 사용 관리에 기여할 수 있음을 보여준다.