En un estudio reciente publicado en Plaza de investigación*, los investigadores desarrollaron y probaron un sistema de soporte de decisiones clínicas (CDSS) basado en aprendizaje automático (ML) para predecir la resistencia a los antibióticos.
Fondo
La resistencia a los antibióticos es una amenaza importante para la salud pública mundial, exacerbada por el mal uso de los antibióticos. Inicialmente, el tratamiento se prescribe de forma empírica hasta disponer de antibiogramas y cultivos bacterianos. Esto puede ser un desafío para el médico que tiene que equilibrar el espectro de antibióticos y la probabilidad de susceptibilidad de los microbios sospechosos de acuerdo con la gravedad de la enfermedad y el riesgo de fracaso del tratamiento. Los CDSS pueden guiar a los profesionales en la selección de antimicrobianos relevantes. Sin embargo, solo se han desarrollado unos pocos CDSS basados en ML (ML-CDSS) para predecir la resistencia a los antibióticos e informar las opciones de medicamentos.
El estudio y los hallazgos
El presente estudio desarrolló y evaluó un ML-CDSS utilizando datos históricos de un hospital francés. Los investigadores analizaron 30 975 antibiogramas de más de 13 000 pacientes entre enero de 2014 y diciembre de 2020. La mayoría de las bacterias eran bacilos gramnegativos y se aislaron de la orina, las vías respiratorias, la sangre o los abscesos.
Las principales especies aisladas fueron Escherichia coli, Klebsiella pneumoniae, Staphylococcus aureus, Pseudomonas aeruginosa, y Enterococcus faecalis. Los datos del antibiograma se (sub)estratificaron en los conjuntos de datos de 2014-19 y 2020. Los tipos de cultivo y las especies exhibieron heterogeneidad en la susceptibilidad a antibióticos individuales. Las tasas de susceptibilidad también fueron diferentes entre los tipos de muestras; fue del 56% a amoxicilina-clavulánico en muestras de orina pero del 35% en muestras del tracto respiratorio inferior.
La susceptibilidad a la cefotaxima/ceftriaxona fue del 49 % para los aislamientos de pacientes en cuidados intensivos, pero del 77 % para los pacientes de la sala de emergencias. La susceptibilidad a cefotaxima/ceftriaxona fue del 27 % para el transporte de bacterias multirresistentes (MDR) en los últimos tres meses, del 54 % si no se documentó el transporte de MDR (para pacientes conocidos) y del 72 % para aislamientos de pacientes desconocidos.
La susceptibilidad a los antibióticos individuales se mantuvo estable con el tiempo, excepto amikacina, ertapenem, cefotaxima/ceftriaxona y trimetoprima-sulfametoxazol. A continuación, el equipo entrenó modelos de inferencia bayesianos (BAY) y frecuentistas (FRQ) y algoritmos de aprendizaje automático utilizando datos de 2014-19 (80 % de entrenamiento y 20 % de prueba) y covariables, incluido el origen/fecha de la muestra, el transporte previo de bacterias multirresistentes y la sala del hospital. tipo, para predecir la susceptibilidad a los antibióticos hasta el resultado del antibiograma.
Los algoritmos de ML incluyeron AdaBoost (ADA), aumento de gradiente (GBS), bosque aleatorio (RF), embolsado (BAG), aumento de gradiente extremo (XGB), redes neuronales (NN) y regresión logística (LR). Se definieron cuatro etapas: 1) muestreo, 2) examen directo, 3) cultivo y 4) identificación de especies. Se entrenaron modelos para predecir la probabilidad de susceptibilidad a los antibióticos a 22 antibióticos únicos y 25 combinados para aislamientos del conjunto de datos de validación de 2020.
Se trazó la curva característica operativa del receptor (ROC) y se estimó el área bajo la curva (AUC). El AUC medio de los modelos FRQ, ML y BAY aumentó desde la etapa de muestreo (0,594) hasta la etapa de identificación de especies (0,847). Los modelos BAY, NN, XGB y FRQ se desempeñaron mejor que otros modelos en todas las etapas.
Cabe destacar que los modelos NN tuvieron el AUC medio más alto y el AUC más grande en todas las etapas, excepto en la etapa de identificación de especies, donde el modelo BAY mostró el AUC más alto (0,918). La previsibilidad fue heterogénea entre los antibióticos. Las tasas de falla fueron nulas para los modelos BAY y ML. Los modelos NN también tuvieron las desviaciones estándar más bajas.
A continuación, el equipo examinó el rendimiento del modelo en situaciones excepcionales trazando únicamente las situaciones menos frecuentes. El AUC agregado disminuyó de 0,73 a 0,65 cuando se limitó a las situaciones más raras. LR tuvo el desempeño más pobre en todas las etapas, mientras que los modelos BAY tuvieron un desempeño justo, alcanzando valores promedio altos de AUC para las etapas de cultivo (0.824) y especie (0.917).
El AUC medio para los modelos NN se preservó menos, particularmente para las dos primeras etapas (muestreo y directo). A continuación, se aplicó el enfoque de explicaciones aditivas de Shapley (SHAP) para interpretar la predicción del modelo NN. La fecha/tipo de muestreo tuvo un impacto menos significativo en las predicciones, mientras que el tipo de cultivo contribuyó al rendimiento en las etapas de cultivo e identificación de especies.
Conclusiones
En resumen, los modelos exhibieron una buena previsibilidad de la susceptibilidad a los antibióticos, incluso en las primeras etapas (muestreo y examen directo). El rendimiento de la predicción mejoró aún más en etapas posteriores (cultivo e identificación de especies). Los modelos BAY y NN mostraron el mejor rendimiento, con el AUC medio más alto, incluso en situaciones excepcionales.
Además, las desviaciones estándar más bajas en las AUC entre antibióticos también fueron evidentes para los modelos BAY y NN. Específicamente, los modelos BAY tenían AUC estables en situaciones excepcionales. El rendimiento del modelo FRQ se vio afectado en etapas posteriores, mientras que los modelos LR funcionaron mal. Los modelos ADA, BAG, RF y GBS tuvieron un rendimiento notablemente más bajo que los modelos NN/BAY.
*Noticia importante
Research Square publica informes científicos preliminares que no son revisados por pares y, por lo tanto, no deben considerarse concluyentes, guiar la práctica clínica o el comportamiento relacionado con la salud ni tratarse como información establecida.
