急诊科中基于机器学习的细菌尿症预测模型：提升尿路感染诊断准确性的新策略

本研究针对尿路感染(UTI)临床诊断中的误诊和抗生素滥用问题，开发了基于XGBoost算法的预测模型。研究人员通过分析62,963例急诊科(ED)就诊数据，利用常规检测指标成功预测尿培养结果，对≥100,000 CFU/mL菌尿症的预测AUC达93.1%。该模型可辅助临床决策，有望优化抗生素使用并提升诊疗效率。

　　

尿路感染(UTI)是全球最常见的细菌感染之一，每年约有1.5-2.5亿病例，但临床诊断却面临巨大挑战。不同指南对UTI的定义存在显著差异——从10³ CFU/mL到10⁵ CFU/mL的阈值各不相同，导致28.7%的急诊患者被过度诊断为UTI后尿培养却显示阴性。更棘手的是，儿童、老年人和留置导尿管患者等特殊人群的症状往往不典型，使得准确诊断如同"大海捞针"。这种诊断不确定性直接导致了抗生素滥用，使UTI成为美国抗生素不当使用的最常见原因之一。

为破解这一难题，Johnathan M. Sheele团队在《Scientific Reports》发表了一项开创性研究。他们设想：能否利用急诊科就诊时即刻可得的常规数据，通过机器学习提前预测尿培养结果？这不仅能减少不必要的抗生素使用，还能优化尿液检测流程。研究团队收集了2017-2021年间62,963例急诊就诊数据，这些病例均包含尿常规和尿培养结果。通过比较逻辑回归、K近邻、随机森林、XGBoost和深度神经网络五种算法，系统评估了三种尿培养结果的预测效能。

关键技术方法包括：1) 多中心回顾性队列研究设计，涵盖美国三家医院急诊科数据；2) 设置三个主要预测终点：无菌生长、≥10,000 CFU/mL和≥100,000 CFU/mL；3) 采用SHAP值进行特征重要性分析；4) 通过AUROC等指标评估模型性能。

研究结果部分呈现了令人振奋的发现：

"无微生物生长 vs. 任何微生物生长"

XGBoost表现最优，AUROC达86.1%。尿白细胞酯酶阴性、尿中无细菌、男性生物学性别等特征最具预测价值。值得注意的是，近期使用过抗生素的患者更可能获得阴性培养结果。

"≥10,000 CFU/mL vs. <10,000 CFU/mL"

XGBoost再次领先，AUROC升至89.1%。尿细菌阳性、亚硝酸盐阳性等尿常规指标占据SHAP值排行榜前列。特别的是，被临床诊断为肾结石的患者更可能出现显著菌尿症。

"≥100,000 CFU/mL vs. <100,000 CFU/mL"

XGBoost创下93.1%的AUROC新高。尿细菌存在、亚硝酸盐阳性等传统指标依然重要，但研究还发现一个有趣现象：既往UTI病史成为强预测因子，这提示个体化医疗数据可显著提升模型精度。

在临床最关键的"真假UTI鉴别"场景中，模型对临床诊断为UTI但培养阴性(可能假阳性)与培养≥100,000 CFU/mL(可能真阳性)的区分能力达到91% AUROC，这一结果远超临床医生的判断水平。

这项研究的意义不仅在于技术突破，更开创了抗生素管理的新范式。通过将机器学习整合到急诊工作流程，可减少28.7%的可能过度诊断案例，同时降低不必要的尿培养检测。研究团队特别指出，他们的模型聚焦于预测菌尿症而非UTI诊断，这巧妙规避了临床定义的争议性。未来，随着更多就诊数据的积累，这种个体化预测模型有望展现更强的临床价值，为精准抗感染治疗提供可靠决策支持。