基于机器学习的革兰氏阴性菌血症预测模型的前瞻性验证及与临床评分的比较

《npj Digital Medicine》：Prospective validation of machine learning models predicting Gram negative bacteremia in ICU versus clinical scores

　　

摘要

菌血症是一种危及生命的感染，需要早期诊断并及时治疗。尽管基于机器学习（ML）的模型可能有助于早期临床决策，但其有效性仍有待确定。我们对在本中心开发的用于预测革兰氏阴性菌血症的机器学习模型进行了前瞻性验证，并将其性能与已建立的临床评分进行比较。该观察性研究纳入了2025年2月至7月期间因疑似感染符合脓毒症-3标准且在重症监护病房（ICU）住院≥48小时的成年患者。分析了过去48小时的临床和实验室数据。在289份血培养中，有97份检出革兰氏阴性菌血症。多种临床评分与菌血症显著相关。虽然机器学习模型在队列中表现出一定的区分能力，但在事后对ICU住院第4至10天间采集的培养物进行亚组分析后，其性能提升至中等水平（AUROC≈0.70），且敏感性更高。这些发现强调了在临床环境中验证预测模型时，患者分层和培养物选择的重要性。