一种基于机器学习的多任务框架，用于预测血液系统恶性肿瘤患者中大肠杆菌、肺炎克雷伯菌和阴沟肠杆菌引起的血流感染中的抗生素耐药性

《Antimicrobial Resistance & Infection Control》：A machine learning-driven multitask framework for antibiotic resistance prediction in Escherichia coli, Klebsiella pneumoniae, and Enterobacter cloacae bloodstream infections among hematological malignancy patients

　　

摘要

背景

不恰当的经验性抗菌治疗会显著增加耐药性革兰氏阴性菌血症患者的死亡率。我们开发了一种多任务机器学习框架，用于预测由大肠杆菌、肺炎克雷伯菌或阴沟肠杆菌引起的单种病原体菌血症的重症患者对碳青霉烯类抗生素的耐药性、β-内酰胺类/β-内酰胺酶抑制剂组合的耐药性，以及第三代/第四代头孢菌素的耐药性。

方法

利用2017年至2023年间1,353名患有这三种特定肠杆菌科细菌菌血症的重症患者的回顾性数据，我们通过5折交叉验证训练了支持向量机、极端梯度提升和逻辑回归模型，并进行了超参数调整，同时通过自举法进行内部验证。通过帕累托前沿分析优化模型阈值，以在最大化灵敏度的同时最小化不恰当的抗菌治疗和碳青霉烯类抗生素的使用。

结果

在优化之前，这些模型的AUC值分别为：碳青霉烯类耐药性模型为0.81（95%置信区间：0.78–0.85），β-内酰胺类/β-内酰胺酶抑制剂组合耐药性模型为0.81（95%置信区间：0.77–0.84），第三代/第四代头孢菌素耐药性模型为0.72（95%置信区间：0.68–0.76）。经过阈值优化后，碳青霉烯类耐药性的预测灵敏度从0.10提高到0.77，β-内酰胺类/β-内酰胺酶抑制剂组合耐药性的预测灵敏度从0.19提高到0.94，第三代/第四代头孢菌素耐药性的预测灵敏度从0.54提高到0.98。SHAP分析确定了包括长期中性粒细胞减少、既往使用过碳青霉烯类抗生素以及肿瘤进展阶段在内的关键预测因素。结合病原体种类可进一步提升第三代/第四代头孢菌素耐药性的预测精度（AUC从0.76上升至0.72）。在临床应用中，通过这种阈值优化策略，该模型成功将经验性碳青霉烯类抗生素的使用率从71.7%降至32.1%，且未使不恰当的抗菌治疗发生率上升，而临床实践中的这一比例分别为4.0%和6.11%。

结论

该多任务框架可用于预测由三种特定肠杆菌科细菌引起的单种病原体菌血症的重症患者的耐药性，主要在确定病原体并高度怀疑为其中某一种病原体感染后为临床决策提供辅助。在实际应用之前还需要进行前瞻性验证。