机器学习模型助力预测 ICU 患者抗生素治疗适宜性：打破困境，引领精准医疗新方向

时间：2025年2月7日

来源：npj Digital Medicine

编辑推荐：

在 ICU 中，抗生素耐药性威胁日增，不恰当经验性抗生素治疗影响患者预后。研究人员开发机器学习模型预测 ICU 获得性血流感染经验性抗生素治疗的适宜性。该模型在多数据集表现良好，还能预测死亡率，为临床合理用药提供支持。

在医疗领域，抗生素的使用曾是对抗细菌感染的有力武器，但如今却陷入困境。随着抗生素的大量消耗，细菌耐药性问题愈发严重，这不仅使治疗效果大打折扣，还增加了患者的死亡率和医疗成本。在重症监护病房（ICU）中，由于治疗的紧迫性，不恰当的经验性抗生素治疗常常出现，患者的生命健康面临巨大挑战。为了改变这一现状，来自以色列特拉维夫大学（Tel-Aviv University）等机构的研究人员开展了一项重要研究，其成果发表在《npj Digital Medicine》上。

目前，细菌病原体评估的金标准是培养孵育，但这一过程耗时较长，通常需要 48 - 72 小时。在等待结果的过程中，为了挽救患者生命，医生往往会根据临床经验在获取血培养和抗菌药敏试验（AST）结果前就使用经验性抗生素治疗。然而，这种治疗方式存在很大风险，因为使用的抗生素可能并不适合病原体，尤其是 ICU 获得性感染，更容易对广谱抗生素产生耐药性。不合适的抗生素治疗（IAT）会导致治疗失败率升高、死亡率上升以及住院时间延长等不良后果，因此，快速识别 ICU 患者抗生素治疗的适宜性迫在眉睫。

此次研究中，研究人员利用来自 MIMIC - III 数据库的数据，开发了一种机器学习模型，旨在预测 ICU 获得性血流感染患者经验性抗生素治疗的适宜性。该模型在预测时具有独特优势，它在血培养后 24 小时进行预测，此时经验性抗生素已给药约 24 小时，且比药敏试验结果提前约 48 小时，为医生重新评估抗生素选择提供了宝贵时间。

在研究过程中，研究人员运用了多种关键技术方法。首先，他们从 MIMIC - III 数据库获取数据，该数据库包含大量 ICU 患者的电子病历（EMR）信息。然后，针对数据中存在的缺失值和不平衡问题，研究人员设计了新颖的计算方法和灵活的流程。例如，在处理缺失值时，对于重复测量的值，采用线性回归模型进行插补；对于其他情况，则使用 K 近邻（KNN）算法。在特征工程方面，创建了包括患者人口统计学、实验室测量、生命体征、药物管理、先前实验室培养和医疗程序等六类特征，并通过多种方法对特征进行筛选和处理。最后，经过对多种机器学习模型的评估，选择了随机森林集成（Random Forest DataEnsemble）模型作为最终预测模型。

研究结果如下：

队列描述：研究使用 MIMIC - III 数据库中的数据，最终确定的队列包括 135 名患者，分为训练集和验证集。训练集有 105 名患者，其中 83 名接受了合适的抗生素治疗，22 名接受了不合适的治疗；验证集有 30 名患者，22 名治疗合适，8 名治疗不合适。
抗生素分析：分析血培养结果和患者使用的药物发现，凝固酶阳性金黄色葡萄球菌是最常见的病原体，最常用的抗生素是万古霉素。同时，不同抗生素对不同病原体的耐药情况也有所不同，如粪肠球菌对抗生素的耐药率较高，红霉素的耐药发生率也较高。
适宜性模型评估：通过五重分层交叉验证对多个模型进行评估，随机森林集成模型表现最佳。在训练集上，其受试者工作特征曲线下面积（AUROC）为 82.76 ± 1.46%，精确召回曲线下面积（AUPRC）为 60.61 ± 3.76%；在验证集上，AUROC 为 77.3%，AUPRC 为 40.4%。此外，研究还发现，使用药物干预后的 24 小时数据对模型预测至关重要，仅使用血培养前或血培养后的部分数据会导致模型性能下降。
时间验证和外部验证：利用 MIMIC - IV 数据集进行时间验证，模型的 AUROC 为 73.2%，AUPRC 为 42.3%；在以色列海法的 Rambam 医疗中心（RHCC）的外部数据集上进行验证，模型的 AUROC 为 71.1%，AUPRC 为 54.9%。这些结果表明模型具有一定的稳健性。
特征重要性分析：分析模型特征发现，原始实验室测量和生命体征测量本身并非显著判别特征，而先前的培养，尤其是耐药培养，与不恰当治疗类别显著相关。对模型影响较大的特征多为生命体征和实验室测量的时间序列特征，这些特征能捕捉测量值随时间的变化趋势。
死亡率预测：研究人员利用模型预测死亡率，发现模型风险评分与死亡率相关。在不同数据集上，高风险评分患者的死亡率显著高于低风险评分患者，表明模型在预测死亡率方面具有一定的潜力，即使对于血培养阴性的患者也可能有预测价值。

研究结论和讨论部分指出，该机器学习算法在预测 ICU 获得性菌血症患者不恰当经验性抗生素治疗方面表现出良好的性能。它能够在药敏试验结果出来前 48 小时预测抗生素治疗的适宜性，有助于临床医生评估患者情况，调整抗生素治疗方案。这不仅可以减少不匹配的治疗，还可能为个性化抗生素处方提供指导，降低治疗失败率，减少抗生素的总体使用，从而为全球对抗抗生素耐药性的努力做出贡献。同时，模型在不同数据集上的良好表现也证明了其稳健性。然而，研究也存在一些局限性，如过滤掉了可能的污染菌，模型应针对每个医疗中心进行训练，且主要依赖生理数据而非特定抗生素耐药模式，还需要进行前瞻性评估以确定其在实际临床场景中的性能。未来研究可纳入患者完整的医疗史和先前住院记录，进一步提高模型的预测能力。总体而言，这项研究为抗生素治疗适宜性的预测提供了新的方法和思路，在临床实践和对抗抗生素耐药性方面具有重要意义。