Machine Learning in the ICU: Predicting mortality in Bloodstream Infections (ICU: Intensive Care Unit) (ICU)

Carbapenemer er et af de sidste udvejsantibiotika, der bruges til at behandle alvorlige infektioner forårsaget af multi-lægemiddelresistente gramnegative patogener. Infektioner med carbapenem-resistente gramnegative baciller (CR-GNB) er blevet udbredt i det seneste årti, hvilket udgør en alvorlig trussel mod folkesundheden. Carbapenem-resistente Enterobacteriaceae (CRE), Carbapenem-resistente Acinetobacter baumannii (CRAB) og Carbapenem-resistente Pseudomonas aeruginosa (CRPA) topper prioritetslisten over antibiotika-resistente bakterier på verdensplan. CR-GNB forårsager et bredt spektrum af infektioner, herunder bakteriæmi, urinvejsinfektioner, lungebetændelse og intra-abdominale infektioner. Carbapenem-resistente blodbaneinfektioner er en væsentlig årsag til sygelighed og dødelighed, og terapeutiske muligheder i behandlingen er yderst begrænsede. Ved at evaluere risikofaktorer hos patienter, der overvåges på intensivafdelingen, reducerer scoringssystemer, der kan forudsige prognose, dødelighedsrisikoen ved at sikre tidlig påføring af effektive antibiotika og rettidig hæmodynamisk støtte, som er i brug i øjeblikket.

Med ophobningen af ​​big data og fremskridt inden for datalagringsteknikker viser innovative og pragmatiske maskinlæringsmetoder, der er kommet ind i vores liv, gode forudsigelsespræstationer på det medicinske område. Maskinlæringsbaserede modeller udviklet til at forudsige dødelighed hos patienter overvåget på intensivafdelingen er tilgængelige i litteraturen og giver mulighed for tidligere intervention hos patienter.

Ved hjælp af vores egne patientdata vil I intensivafdelingen patienter med blodbaneinfektioner, både med og uden dødelighed, blive undersøgt retrospektivt i to undergrupper til sammenligning. Vi sigter mod at forudsige dødelighed, der kan udvikle sig i Carbapenem-resistente Gram-negative baciller blodbaneinfektioner med en maskinlæringsbaseret model.