综述：人工智能在肺炎克雷伯菌抗菌药物耐药性检测与预测中的应用：临床微生物学领域的系统评价

背景：肺炎克雷伯菌（Klebsiella pneumoniae）是世界卫生组织（World Health Organization, WHO）认定的关键优先级病原体，其所致抗菌药物耐药性（antimicrobial resistance, AMR）负担沉重。传统微生物学工作流程，包括抗菌药物敏感性试验（antimicrobial susceptibility testing, AST），通常需要36–72小时，导致经验性治疗周期延长，进而加剧抗生素过度使用。人工智能（artificial intelligence, AI）已成为提升AMR检测与预测能力的重要方法。 方法：研究人员检索了4个数据库（PubMed、EMBASE、MEDLINE及Cochrane对照试验中心注册库[CENTRAL]），检索时限为2010年1月1日至2026年1月3日，纳入评估AI方法用于肺炎克雷伯菌AMR检测及/或预测的同行评审原创研究。排除无法提取肺炎克雷伯菌特异性结局的研究。研究人员提取了研究特征、输入模态、AI方法、模型性能、工作流程增益及验证方法等信息并进行叙述性综合。偏倚风险采用PROBAST与QUADAS-2工具依据研究设计进行评估。 结果：共纳入57项研究，2024–2025年发文量急剧上升（27/57，占47.4%）。大多数研究来自东亚地区，且主要旨在利用机器学习方法从AST前数据中进行耐药表型分类（37/57，占64.9%）。基质辅助激光解吸电离飞行时间质谱（matrix-assisted laser desorption/ionization time-of-flight mass spectrometry, MALDI-TOF MS）是最常用的输入模态（27/57，占47.4%），其次为基因组测序与振动光谱（各12/57，占21.1%）。随机森林（random forests, RF）是研究最广泛的模型家族（28/57，占49.1%），且报告区分度较高。在以受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUROC/AUC）为主要终点的研究中，26/35项（74.3%）报告最优模型性能≥0.90；然而总体偏倚风险较高，45/57项研究（78.9%）存在此类问题。内部验证研究设计占主导，仅17/57项研究（29.8%）报告外部验证，前瞻性真实世界评估仅有1项。 结论：基于AI的肺炎克雷伯菌AMR预测与检测发展迅速，其中MALDI-TOF驱动的方法最具临床微生物学工作流转化潜力。但当前领域仍以回顾性、内部验证研究为主，且常采用不完善的自动化药敏系统作为参考标准。未来进展依赖于依托地理多样性数据集开展严格的外部及前瞻性多中心验证。

引言

抗菌药物耐药性（AMR）是21世纪最具代表性的全球健康挑战之一，最新预测显示到2050年AMR将导致超过3900万人死亡。在此背景下，世界卫生组织将肠杆菌科（Enterobacteriaceae）列为“优先级1：关键”病原体，亟需研发新型抗生素。肺炎克雷伯菌作为革兰阴性菌，是医院与社区感染的重要致病菌，其获得多重耐药机制的能力尤为突出，尤其是超广谱β-内酰胺酶（extended-spectrum β-lactamases, ESBLs）及碳青霉烯酶（如肺炎克雷伯菌碳青霉烯酶[KPC]、新德里金属β-内酰胺酶[NDM]及苯唑西林酶-48[OXA-48]），已在全球范围内造成显著的发病率与死亡率。抗生素选择压力是肺炎克雷伯菌多重耐药谱演变的主要驱动力，因此合理的抗生素处方是遏制耐药产生与传播的关键策略。然而，传统病原体鉴定与AST流程耗时较长，包括标本初代培养（6–18小时）及肉汤微量稀释法或Kirby-Bauer纸片扩散法测定最低抑菌浓度（minimum inhibitory concentration, MIC），导致临床可操作结果常在采样后36–72小时才能获得，这极大限制了减少不合理抗生素使用和降低经验性治疗依赖的努力。近年来，机器学习（machine learning, ML）与深度学习（deep learning, DL）的进步推动了AI赋能诊断的发展。ML指通过数据训练的算法识别模式并支持预测或决策，无需针对每条规则显式编程；DL则是ML的子集，利用多层神经网络自动分析更复杂的数据并学习精细模式。尽管AI技术前景广阔，但其实施局限亦日益凸显，包括模型可解释性不足、缺乏前瞻性与外部验证、训练与评估数据集人群代表性不足，以及研究设计、输入、结局与参考标准的异质性显著。鉴于AI模型开发速度加快及耐药肺炎克雷伯菌的临床紧迫性，亟需对该领域新兴文献进行系统整合与严格评价。本系统评价旨在评估该领域的当代证据基础，具体目标包括：表征所用AI方法及输入模态；识别在AMR检测任务（如耐药机制检测或加速表型AST）与预测任务（如耐药表型推断或AST前MIC预测）中表现最优的方法；批判性评价验证实践、普适性与研究设计，以判断临床准备度。

方法

本系统评价遵循PRISMA 2020指南，研究方案已在PROSPERO前瞻性注册（编号CRD420251238578）。信息来源涵盖四大数据库（PubMed、EMBASE、MEDLINE、CENTRAL），检索时限为建库至2026年1月3日，限定2010年后发表的英文原创研究。检索策略围绕三大核心概念构建：AI术语、肺炎克雷伯菌、AMR检测与预测术语，结合受控词表与自由词以提升敏感性。纳入标准为同行评审原创研究，以AI为核心分析方法，针对肺炎克雷伯菌AMR检测与预测，且明确界定参考标准（如培养法AST或MIC测定），报告量化性能指标（AUROC、敏感性、特异性等）。排除综述、会议摘要、预印本、非原创研究及无明确参考标准的研究。研究筛选经Rayyan去重后由两名研究者独立进行题目摘要初筛与全文复筛，分歧通过讨论或第三方仲裁解决，最终纳入57项研究。数据提取采用预设Excel框架，涵盖研究特征、目标、输入与AI方法、性能结局、验证方式等五大领域。偏倚风险评估依据研究类型分别采用PROBAST与QUADAS-2工具，独立双人评价并由第三方裁定分歧。鉴于研究间异质性显著，结果采用叙述性综合，并按临床目标、输入模态、AI模型类别、性能终点、验证方式等进行分组呈现。

结果

研究特征显示，57项研究发表于2018至2025年间，近半数集中于2024–2025年。数据集来源地域集中度高，以东亚（中国、中国台湾地区）为主，高AMR负担区域代表性不足。资金来源以政府、学术及医院资助为主。临床目标方面，耐药表型分类（AST前数据）占比最高（64.9%），其次为耐药机制鉴定（17.5%），快速AST与MIC预测各占8.8%。目标抗生素以碳青霉烯类（特别是美罗培南、亚胺培南、厄他培南）最常见（59.6%），其次为环丙沙星、粘菌素及三代/四代头孢菌素。耐药机制研究主要针对产碳青霉烯酶肺炎克雷伯菌（CPK）、ESBL及bla_KPC、bla_NDM、bla_OXA-48等基因。输入模态中，MALDI-TOF MS占47.4%，基因组测序与振动光谱各占21.1%，三者合计占89.5%。AI建模以单纯ML为主（66.7%），单纯DL占15.8%，其余为ML与DL并行或混合流程；随机森林与梯度提升法最为常用，41项研究比较了多个候选模型。性能报告以AUROC/AUC为主要终点的占61.4%，其中74.3%的最优模型AUROC≥0.90；随机森林最常被评为最佳模型。27项研究（47.4%）报告了相对于传统流程的时间优势，其中13项报告分析起点至结果输出短于1小时，多数采用MALDI-TOF MS输入；部分研究显示较培养法AST加速约24–48小时。验证方面，内部验证占96.5%（以k折交叉验证为主），外部验证仅占29.8%，前瞻性真实世界评估仅1项。参考标准以自动化商业系统（VITEK 2、BD Phoenix）为主（50.9%），金标准肉汤微量稀释法仅占15.8%。偏倚风险评价显示，45项研究总体偏倚风险高，12项不明确，无低偏倚研究；适用性担忧同样普遍，40项研究存在高适用性顾虑。

讨论

肺炎克雷伯菌AI耐药预测领域虽发展迅猛，但临床转化尚未成熟。MALDI-TOF MS因可利用现有实验室常规数据，被视为最具可行性的切入点，多项研究报道其可缩短约24小时的等待时间。其他模态如全基因组测序、振动光谱及纳米运动技术等虽性能优异，但受限于基础设施与成本效益证据不足。当前证据存在显著地域偏倚，东亚数据集主导可能限制模型在ST258等高流行区域的泛化能力。模型选择偏好随机森林等传统ML方法，与其在中等样本量下的稳健性及可解释性有关；DL模型则更多应用于复杂非结构化数据，但黑箱特性可能影响临床信任度。参考标准质量是关键制约因素，依赖自动化系统可能导致模型复制其固有缺陷，形成“诊断模拟”。未来需转向以金标准表型数据为参照的外部多中心前瞻性验证，并明确工具用途（分诊支持或确诊推断），同时提升全球代表性以确保公平转化。

优势与局限性

本评价的优势在于前瞻性注册、严格遵循PRISMA规范、全面检索与双重独立筛选，并采用标准化偏倚评估工具。局限性包括研究异质性阻碍荟萃分析、纳入文献报告质量参差，以及排除灰色文献可能带来的发表偏倚。

结论

AI在肺炎克雷伯菌AMR检测与预测中展现出缩短诊断周期的潜力，尤其MALDI-TOF路径可嵌入现有工作流程。然而，领域目前仍停留在回顾性原型阶段，未来必须优先推进前瞻性多中心验证、采用金标准参考体系、扩大国际代表性，并明确区分工具的临床用途定位，以实现安全有效的临床转化。