基于机器学习预测外科ICU抗菌药物耐药性及临床结局：一项来自伊朗的回顾性研究

《BMC Infectious Diseases》：Evaluating antimicrobial resistance and clinical outcomes in surgical ICU using a machine learning perspective: a retrospective observational study

本研究针对外科重症监护室(ICU)中抗菌药物耐药性(AMR)的严峻挑战，开展了一项回顾性观察研究。研究人员利用机器学习技术（特别是XGBoost算法）开发预测模型，成功识别了与多重耐药(MDR)/广泛耐药(XDR)感染相关的关键临床因素。结果显示，该外科ICU患者MDR感染率高达62.07%，且与较长的抗菌药物治疗持续时间显著相关。SHAP分析确定革兰阴性感染类型、革兰阳性感染类型、治疗时长(LOT)和年龄为最重要的预测因子。这项研究为资源有限环境下早期识别高风险患者、指导抗菌药物管理提供了有价值的新视角。

　　

在全球公共卫生领域，抗菌药物耐药性(AMR)正以前所未有的速度蔓延，成为威胁现代医学成果的"隐形 pandemic"。特别是在重症监护室(ICU)这样的医疗前线，多重耐药(MDR)病原体的出现让原本棘手的感染治疗雪上加霜。外科ICU患者由于经历手术创伤、侵入性操作和免疫抑制状态，更是成为AMR的"重灾区"。在资源有限的医疗环境下，这一问题尤为突出——医生们往往在缺乏快速药敏结果的情况下，不得不依赖经验性抗菌治疗，而这种"盲目射击"很可能进一步加剧耐药性的恶性循环。

在伊朗南部的一家三级医疗中心，研究人员关注到这个严峻现实。他们发现，尽管AMR在全球范围内受到广泛重视，但针对特定地区、特定患者群体的耐药性模式和预测模型仍存在研究空白。特别是在后疫情时代，COVID-19大流行期间的抗菌药物滥用可能进一步恶化了当地的耐药形势。为此，Ziaian等人在《BMC Infectious Diseases》上发表了他们的最新研究成果，试图通过机器学习的创新视角，为这个难题寻找新的解决方案。

研究人员开展了一项为期两年的回顾性观察研究，纳入了2022年1月至2023年12月期间收治于外科ICU的106例术后患者。这项研究的核心创新点在于，它不仅描述了AMR的流行病学特征，还首次在该地区将机器学习算法应用于耐药性预测模型的构建。

研究采用了几项关键技术方法：通过电子健康记录系统收集患者的 demographic、临床和微生物学数据；使用国际标准定义对抗菌药物耐药性进行分类（MDR/XDR/PDR）；应用XGBoost机器学习算法构建预测模型，并采用Optuna进行超参数优化和五折交叉验证来确保模型稳健性；利用SHAP值分析解读模型预测的关键特征重要性。

Demographic和临床特征

研究队列包括106例术后入住外科ICU的患者，其中男性占主导(63.2%)，中位年龄66岁。高血压(33.7%)和糖尿病(26.9%)是最常见的合并症。患者的中位ICU住院时间为14.5天，全因住院死亡率高达91.5%，反映出这是一个病情极其危重的队列。

临床结局和抗菌药物使用指标

抗菌药物使用分析显示，患者的中位治疗天数(DOT)和中位治疗时长(LOT)分别为29.5天和14.5天。值得注意的是，抗菌药物免费天数(AFD)的中位值为0，表明患者在ICU期间几乎持续接受抗菌药物治疗。广谱抗菌药物使用率高达96%，但仅有62.24%的用药被判定为合理。

微生物分布和耐药性模式

在175份微生物送检标本中，145份(83.8%)为培养阳性，其中革兰阴性菌占主导(71.72%)。大肠埃希菌(20%)、不动杆菌(17.24%)和克雷伯菌(16.55%)是主要的病原体。耐药性分析显示，62.07%的分离株为MDR，3.45%为XDR，未发现泛耐药(PDR)菌株。

抗菌药物家族的耐药性谱

分析显示，氟喹诺酮类(68.27%)和第三代头孢菌素(71.72%)的耐药率最高。碳青霉烯类的耐药率存在变异性，其中亚胺培南(22.76%)的耐药率显著高于美罗培南(4.83%)。多粘菌素(6.89%)和噁唑烷酮类(1.38%)的耐药率较低。

不同耐药性模式的因子比较

高耐药性组(MDR/XDR)患者的抗菌治疗持续时间显著延长，中位DOT为41.5天，显著高于低耐药性组的23天。类似地，高耐药性组的中位LOT(18.5天)也显著高于低耐药性组(11.5天)。革兰阴性菌在低耐药性组中更常见(38.46%)，而革兰阳性菌在高耐药性组中占主导(75.61%)。

机器学习模型性能分析

XGBoost模型在测试集上获得的ROC曲线下面积(AUC)为0.786，五折交叉验证的平均AUC为0.896±0.05，准确率为70%。逻辑回归(LR)基线模型的测试AUC为0.743，准确率为77%。XGBoost模型在判别能力方面表现更优。

SHAP分析确定革兰阴性感染类型、革兰阳性感染类型、治疗时长(LOT)和年龄是预测耐药性的最重要特征。

研究的讨论部分深入剖析了这些发现的重要意义。高达91.5%的住院死亡率远高于一般ICU人群的报道，反映出该队列患者的危重程度。持续的抗菌药物暴露（AFD中位值为0）与抗菌药物管理目标背道而驰，凸显了当地抗菌药物管理实践的严峻挑战。

大肠埃希菌、鲍曼不动杆菌和肺炎克雷伯菌作为主导病原体，与伊朗和周边地区的报道一致，但62.07%的MDR率仍令人担忧。特别是71.15%的患者接受了对其分离株耐药的抗菌药物，突显了根据当地耐药性模式调整经验性治疗的必要性。

机器学习模型的成功应用是本研究的一大亮点。XGBoost展现出的良好判别能力表明，即使在资源有限的环境中，利用常规临床数据构建耐药性预测模型也具有可行性。SHAP分析确定的关键预测因子（感染类型、治疗时长和年龄）具有直观的临床意义，为早期识别高风险患者提供了具体标靶。

然而，研究者也坦率指出了研究的局限性。单中心设计和小样本量(n=106)限制了结果的普适性，特别是91.5%的超高死亡率可能反映了该中心的患者负选择。缺乏外部验证也意味着模型在其他环境的性能尚不确定。此外，为避免数据泄露，模型未纳入微生物学特征，这可能在一定程度上限制了预测精度。

这项研究为资源有限环境下AMR的防控提供了重要启示。高MDR流行率和近乎连续的抗菌药物暴露构成了一个恶性循环，亟需通过健全的抗菌药物管理计划来打破。XGBoost模型展示的潜力提示，将机器学习整合到临床决策支持系统中，或许能为经验性治疗提供更精准的指导。未来需要在更大规模、多中心队列中验证这些发现，并探索将分子耐药性数据纳入模型的可能性。

最终，这项研究不仅描绘了伊朗南部外科ICU中AMR的严峻现实，也指明了一条前进道路：通过创新技术手段，即使在挑战重重的医疗环境中，我们也能更智能、更精准地应对抗菌药物耐药性这一全球健康威胁。