基于机器学习算法的耐多药肺炎克雷伯菌感染风险预测模型构建与验证——一项多中心回顾性研究

为解决耐多药肺炎克雷伯菌(MDR-KP)感染的早期预警难题，研究人员通过多中心回顾性研究，纳入3,554例KP感染患者数据，对比逻辑回归(LR)、XGBoost等6种机器学习算法，构建出AUC达0.777的XGBoost预测模型。SHAP分析揭示尿素(UREA)、尿酸(UA)和血小板(PLT)为关键决策因子，RCS曲线证实年龄、CRP等指标与感染风险呈非线性关联。该模型为临床早期识别高风险患者提供了智能化工具。

　　

这项多中心回顾性研究致力于破解耐多药肺炎克雷伯菌(MDR-KP)感染的预警困局。研究团队收集了3,554例肺炎克雷伯菌(KP)感染患者的临床数据，采用六种机器学习算法展开对决——包括传统选手逻辑回归(LR)、决策树(DT)，以及新锐力量XGBoost和高效神经网络(ENet)。经过激烈角逐，XGBoost模型以召回率0.732、F1值0.707和AUC 0.777的优异成绩拔得头筹。

多因素分析锁定了八大风险指标：C反应蛋白(CRP)、尿酸(UA)、尿素、血小板(PLT)、血红蛋白(HB)、红细胞计数(RBC)、年龄和性别。SHAP解释技术像X光机般透视模型决策机制，发现尿素、UA和PLT是影响预测的"三巨头"。限制性立方样条(RCS)分析则描绘出年龄、CRP等指标与感染风险之间跌宕起伏的非线性关系曲线。

这项研究不仅打造出精准的MDR-KP感染预警系统，更通过可解释AI技术揭开了黑箱模型的决策奥秘。临床医生未来可借助该模型，在耐药菌感染暴发前精准锁定高危患者，为抗菌药物合理使用赢得宝贵时间窗。