《MedComm》：Prediction of Antimicrobial Resistance in People Living With Cystic Fibrosis Using Machine Learning
编辑推荐：
抗菌药物耐药性（AMR）在囊性纤维化患者（pwCF）中是一个日益严峻的挑战，这些患者经常经历慢性肺部感染和反复的抗生素暴露。由于常规抗生素敏感性测试通常需要数天才能得出结果，因此在当前耐药性概况可用之前，治疗常常已经开始。研究人员评估了常规收集的电子健康记录（
抗菌药物耐药性（AMR）在囊性纤维化患者（pwCF）中是一个日益严峻的挑战，这些患者经常经历慢性肺部感染和反复的抗生素暴露。由于常规抗生素敏感性测试通常需要数天才能得出结果，因此在当前耐药性概况可用之前，治疗常常已经开始。研究人员评估了常规收集的电子健康记录（EHR）是否能够预测成人囊性纤维化（CF）患者痰培养中的抗生素耐药性。在这项回顾性单中心研究中，来自209名pwCF的12,618份痰培养样本（2012年至2022年）与63,823天的静脉抗生素暴露、肺功能测定、人口学特征、微生物学结果和历史耐药性数据进行了关联。研究人员使用患者层级分割和交叉验证训练并评估了不同模型，以预测对环丙沙星、头孢他啶、美罗培南、哌拉西林/他唑巴坦和妥布霉素的耐药性。极端梯度提升显示出最一致的性能，AUC为0.75–0.80。除头孢他啶和美罗培南外，在有无铜绿假单胞菌的培养物中，模型区分度大致相似。Shapley Additive Explanations（SHAP）表明，较长期的耐药性历史比近期结果更具信息量。这些发现支持了使用EHR衍生数据在培养结果可用之前估算AMR的可行性，但在临床使用之前，需要进行外部验证、更广泛的抗生素暴露数据以及时间数据集偏移的评估。
**研究背景与问题**
囊性纤维化（CF）是一种由CF跨膜传导调节因子（CFTR）基因缺陷引起的常染色体隐性遗传病，常伴随慢性肺部感染、炎症和结构性肺损伤，最终导致呼吸衰竭。慢性铜绿假单胞菌（*P. aeruginosa*）感染是常见且难以治疗的病原体，患者需长期口服或吸入抗生素预防，并因急性加重而接受高剂量静脉抗生素治疗。抗菌药物耐药性（AMR）在pwCF中日益严峻，但常规抗生素敏感性测试（AST）需48–96小时，导致治疗常基于经验而非当前耐药性概况。目前，在个体层面预测AMR的机制尚不明确，尤其缺乏关于抗生素累积暴露与近期暴露对耐药性影响的比较，以及特定联合抗生素暴露如何调节AMR演化的研究。机器学习（ML）方法已在急性感染中用于支持经验性抗生素决策，但尚未应用于慢性肺部感染场景。因此，本研究旨在利用电子健康记录（EHR）中的常规数据，评估ML模型预测pwCF中AMR的可行性，以支持个性化抗生素选择。
**研究方法与结论**
本研究为回顾性单中心研究，纳入利物浦心胸医院NHS基金会信托成人CF中心209名pwCF（2012–2022年），共12,618份痰培养样本与63,823天静脉抗生素暴露数据。主要技术方法包括：使用患者层级分割（8:2）和五折交叉验证训练五种ML模型（朴素贝叶斯、逻辑回归、支持向量分类器、随机森林、极端梯度提升（XGB））；采用前向填充处理缺失AST结果；通过Shapley Additive Explanations（SHAP）分析特征重要性；按铜绿假单胞菌存在与否进行亚组分析。模型预测五种常用抗生素（环丙沙星、头孢他啶、美罗培南、哌拉西林/他唑巴坦、妥布霉素）的耐药性，以AUC评估性能。研究发现：XGB表现最一致，AUC为0.75–0.80；除头孢他啶和美罗培南外，铜绿假单胞菌阳性与阴性组间模型性能无显著差异；SHAP分析显示，长期耐药性历史（如总历史或前24个月）比近期结果（前6个月）更具预测价值。结论：ML模型可利用EHR数据以合理准确性预测pwCF的AMR，为慢性肺部感染中的早期个性化抗生素决策提供概念验证，但需外部验证和更广泛数据整合后才能在临床实施。论文发表在《MedComm》。
**研究结果**
**2.1 基线特征**
描述队列特征：中位年龄33岁，42.1%为男性，55.5%合并CF相关糖尿病（CFRD），34.9%携带铜绿假单胞菌利物浦流行株（LES）。痰培养中，头孢他啶耐药率最高（60.6%），环丙沙星（56.6%）、美罗培南（46.0%）、哌拉西林/他唑巴坦（33.4%）、妥布霉素（11.9%）依次降低。多药耐药（MDR，即对≥3种抗生素耐药）占样本三分之一以上。
**2.2 机器学习模型预测个体抗生素耐药性**
五种ML模型经训练后，XGB在预测各抗生素耐药性时表现最一致。AUC分别为：环丙沙星0.75（95% CI: 0.73–0.78）、头孢他啶0.80（0.78–0.82）、美罗培南0.76（0.74–0.79）、哌拉西林/他唑巴坦0.79（0.76–0.82）、妥布霉素0.78（0.73–0.83），表明模型具有合理区分度。
**2.3 铜绿假单胞菌与非铜绿假单胞菌组间的模型性能差异**
按铜绿假单胞菌存在与否分层后，模型在预测美罗培南耐药性时，非铜绿假单胞菌组性能优于铜绿假单胞菌组（p = 0.01）；而预测头孢他啶耐药性时，铜绿假单胞菌组更优（p < 0.001）。环丙沙星、哌拉西林/他唑巴坦和妥布霉素的预测性能无组间差异。总体而言，亚组分析显示模型性能在铜绿假单胞菌状态下大致可比，但存在抗生素特异性差异。
**2.4 可加性解释方法揭示抗生素特异性AMR的决定因素**
SHAP分析显示，在所有抗生素预测中，长期耐药性历史（总历史或前24个月）始终比短期模式（前6个月）更重要。在铜绿假单胞菌组中，临床特征贡献较小；而非铜绿假单胞菌组中，抗生素使用记录和近期耐药性更具价值。此外，发现特异性交叉耐药模式：如总前用粘菌素甲磺酸钠（colistimethate）与环丙沙星耐药性相关，但在铜绿假单胞菌组中呈正相关，在非铜绿假单胞菌组中呈负相关；妥布霉素累积使用与美罗培南和哌拉西林/他唑巴坦耐药性相关，且妥布霉素耐药性降低环丙沙星耐药性机会，提示可能的协同敏感性。
**总结与讨论**
讨论部分指出，本研究是首个将ML应用于慢性肺部感染AMR预测的概念验证。模型性能（AUC 0.75–0.80）与急性感染预测研究相当，但慢性感染中个体内耐药性动态更为复杂。长期耐药性历史的重要性暗示，铜绿假单胞菌感染患者需长期抗菌药物管理策略，而非短期调整。交叉耐药模式（如粘菌素与环丙沙星、妥布霉素与β-内酰胺类）可能反映共选择机制，需进一步研究以利用协同敏感性优化抗生素选择。研究局限性包括：仅纳入医院记录的静脉抗生素暴露，缺乏口服/吸入抗生素数据；单中心设计可能引入本地流行病学偏倚；十年研究期可能因CF诊疗变化导致时间数据集偏移；数据隐私需保护。未来需外部多中心验证、整合门诊处方数据以更新模型，并纳入更多病原体信息（如全基因组测序）提升性能。
**研究结论翻译**
ML模型可利用EHR提取的简单数据以合理准确性预测痰培养中的AMR。未来工作应探索纳入更详细的临床和病原体数据以改善模型性能，特别是针对铜绿假单胞菌。随着EHR中存储数据的扩展和ML在医疗保健中适用性的增加，进一步开发和优化这一方法有可能为慢性肺部感染患者的抗生素选择提供信息。
