[论文解读] 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 4

一句话总结

本研究利用临床、人口统计学及抗生素敏感性试验（ABST）数据，开发机器学习模型以预测皮肤和软组织感染（SSTIs）患者的抗生素耐药性。模型在革兰氏阳性球菌中的AUC得分为0.68–0.98，在革兰氏阴性杆菌中为0.56–0.93，表明患者层面的特征可中等至高度准确地预测耐药性，具体取决于抗菌药物类别。

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.

研究动机与目标

• 为应对皮肤和软组织感染（SSTIs）中日益严重的抗生素耐药性问题，该问题导致治疗失败、发病率和死亡率上升以及医疗成本增加。
• 开发机器学习模型，利用患者层面的临床和人口统计学特征，预测革兰氏阳性球菌（GPC）和革兰氏阴性杆菌（GNB）的耐药性模式。
• 评估在为期一年内收集的ABST数据上，深度学习与传统机器学习算法的预测性能。
• 识别在不同抗菌药物家族中与耐药性相关性最强的患者特征。
• 评估患者特征与耐药性之间非线性关系是否可被可靠建模。

提出的方法

• 本研究针对每种抗菌药物家族分别训练了独立的机器学习模型，区分革兰氏阳性球菌（GPC）与革兰氏阴性杆菌（GNB）。
• 特征包括临床和人口统计学患者数据，以及来自一年期临床数据集的抗生素敏感性测试（ABST）结果。
• 应用了传统和深度学习算法，以预测每类抗生素的耐药性结果。
• 使用曲线下面积（AUC）指标评估模型性能，以衡量其区分能力。
• 进行相关性分析，量化每种抗菌药物家族中单个特征与耐药性结果之间的线性关系。
• 分析重点在于识别可预测多种细菌病原体耐药性的患者特征模式。

实验结果

研究问题

• RQ1 能否利用临床和人口统计学数据，通过机器学习模型准确预测皮肤和软组织感染患者的抗生素耐药性？
• RQ2 对于革兰氏阳性与革兰氏阴性病原体，模型性能在不同抗菌药物家族中的表现如何变化？
• RQ3 患者层面特征与耐药性结果之间的关系强度和性质是什么？
• RQ4 患者数据中的非线性模式在多大程度上可预测耐药性趋势？
• RQ5 哪些临床和人口统计学特征与特定抗生素类别的耐药性相关性最强？

主要发现

• 机器学习模型在革兰氏阳性球菌（GPC）中的AUC得分为0.68至0.98，表明根据抗菌药物家族的不同，预测性能为强至中等。
• 对于革兰氏阴性杆菌（GNB），AUC值范围为0.56至0.93，显示出可变但通常较强的预测能力。
• 识别出患者临床-人口统计学特征与抗生素耐药性之间存在非线性关系，表明其相互作用复杂，超越线性模型的描述能力。
• 预测准确性在不同抗菌药物家族间存在显著差异，某些药物类别表现出更高的性能。
• 相关性分析显示，特定患者特征与特定细菌群和抗生素类型中的耐药性具有更强关联。
• 结果表明，机器学习可有效利用常规收集的临床数据对耐药性趋势进行建模，支持早期干预和抗菌药物管理。