开发一种预测模型，用于判断接受氨苄西林/舒巴坦或哌拉西林/他唑巴坦治疗的患者是否会出现嗜酸性粒细胞增多症

《British Journal of Clinical Pharmacology》：Development of a predictive model for eosinophilia in patients treated with ampicillin/sulbactam or piperacillin/tazobactam

本研究通过回顾性队列分析378例接受哌拉西林/他唑巴坦或氨苄西林/舒巴坦治疗的患者，发现氨基糖苷类、房颤等9项独立风险因素可预测抗生素诱导嗜酸性粒细胞增多症，弹性网络回归模型表现最佳（AUROC=0.787）。

　　

摘要

目的

本研究旨在识别接受青霉素/β-内酰胺酶抑制剂治疗的住院患者中抗生素诱导嗜酸性粒细胞增多的风险因素，并开发一种基于机器学习的预测性风险评分模型。

方法

本研究采用回顾性队列研究方法，纳入了490名接受静脉注射氨苄西林/舒巴坦或哌拉西林/他唑巴坦治疗的住院患者。经过筛选后，最终有378名患者被纳入分析。通过多变量逻辑回归分析确定了嗜酸性粒细胞增多的独立风险因素，并将这些因素纳入临床风险评分系统。为了提高预测准确性，研究人员开发了包括弹性网络回归在内的多种机器学习模型，并通过五折交叉验证进行了评估。模型性能通过接收者操作特征曲线下面积（AUROC）进行评价。

结果

在378名患者中，有27名（7.1%）出现了嗜酸性粒细胞增多。研究确定了9个独立风险因素：氨基糖苷类抗生素、心律失常、氯苯那敏马来酸盐、糖肽类药物、左乙拉西坦、聚苯乙烯磺酸盐、类风湿性关节炎、中风和熊去氧胆酸。风险评分范围为0到8分，对应的嗜酸性粒细胞增多预测概率分别为3.3%至93.8%（AUROC = 0.787）。在测试的各种机器学习方法中，弹性网络回归模型的预测性能最高。

结论

本研究提出了一种适用于临床的嗜酸性粒细胞增多风险评分模型，可用于预测接受青霉素/β-内酰胺酶抑制剂治疗患者的病情。结合机器学习技术提高了模型的准确性，有助于更精准地识别高风险患者。该模型有助于主动进行风险评估，并可为临床监测和干预策略提供依据。

图形摘要

利益冲突声明

作者声明本研究不存在任何利益冲突。

数据可用性声明

本研究中的数据可向通讯作者索取。