用于预测神经外科术后脑膜炎脑脊液细菌培养结果的机器学习模型——开发及三年时间验证

《Archives of Microbiology》：Machine learning models for predicting cerebrospinal fluid bacterial culture outcomes in post-neurosurgical meningitis-development and temporal three-year validation

　　

摘要

神经外科术后细菌性脑膜炎（PNBM）是一种严重的并发症，与较高的发病率和死亡率相关。目前，细菌培养是诊断的金标准，然而临床上依赖三级报告来解决经验性抗生素使用问题，其周转时间为3至5天，可能导致患者抗生素使用不准确。因此，我们开发并验证了一种机器学习方法分支来预测脑脊液（CSF）培养结果，这将精确诊断的时间缩短至2小时以内。2016年1月至2020年12月期间，在北京天坛医院&首都医科大学的非产科住院科室进行了一项队列研究。利用十折交叉验证，六种机器学习模型，包括四种决策树模型（随机森林、Catboost、LightGBM和XGboost）、支持向量分类（SVC）和多层次感知器（MLP），被应用于两个模型的构建。这些模型的性能在另一三年的队列中通过区分度、校准度和临床应用进行了评估。在本研究中，推导队列包括4014名患者，其中995名CSF培养阳性，包括431例革兰氏阴性菌和564例革兰氏阳性菌培养，3019名培养阴性。时间验证队列包括1059名患者。LightGBM在模型1和模型2中分别取得了最高的受试者工作特征曲线下面积（AUC），分别为0.898和0.875。SHAP（SHapley Additive exPlanations）分析确定CSF白细胞（C-Leu）计数是培养阳性和革兰氏阴性菌培养的主要预测因子，而血小板计数是革兰氏阳性菌培养分类的主要贡献因素。机器学习，特别是利用LightGBM建模，在预测神经外科术后CSF细菌培养结果方面显示出良好的区分度。该模型可能在培养结果等待期间支持早期风险分层。