Een nieuwe benadering van antimicrobiële resistentie: voorspellingen van machinaal leren voor carbapenem-resistente Klebsiella op IC's (ICU)

Antimicrobiële resistentie is een wereldwijd toenemende dreiging en heeft ernstige gevolgen voor zowel de volksgezondheid als de economie. Bij een infectie die zich kan ontwikkelen met een resistent micro-organisme, zijn de therapeutische opties beperkt, vandaar dat een vroege en effectieve behandeling die kan worden gestart door het voorspellen van resistentie een verschil zal maken in de prognose van de patiënt.

Tegenwoordig veranderen kunstmatige intelligentie en machine learning onze medische praktijk. Wanneer de literatuur wordt beoordeeld, zijn er studies die suggereren dat machine learning antimicrobiële resistentie kan voorspellen. Risicofactoren voor carbapenem-resistente Klebsiella spp. eerder zijn geïdentificeerd. Deze eerder geïdentificeerde risicofactoren zullen retrospectief worden geëvalueerd bij onze eigen patiënten en er zal een algoritme worden ontwikkeld dat gerelateerd is aan de voorspelling van resistentie met behulp van machine learning.

Ons doel is om de bacteriële resistentie in de toekomst eerder te voorspellen bij onze patiënten die in onze Intensive Care Unit worden gecontroleerd, met behulp van kunstmatige intelligentie, en om de toegang van onze patiënten tot vroege en effectieve behandelingsopties te vergemakkelijken.

In de tweede plaats is het ook gericht op economische voordelen door onnodig antibioticagebruik te voorkomen.

Via het automatiseringssysteem van het ziekenhuis wordt achteraf toegang verkregen tot de gegevens van patiënten.

Er zal worden gekeken naar publicaties in de literatuur en naar de risicofactoren voor het ontstaan ​​van een infectie met carbapenem-resistente Klebsiella spp. zal worden geëvalueerd.

Patiënten met carbapenemresistentie en gevoeligheid zullen worden vergeleken in twee afzonderlijke subgroepen.

De verkregen kenmerken zullen afzonderlijk worden geclassificeerd met behulp van verschillende beslissingsbomen en neurale algoritmen. De verkregen gegevens zullen statistisch worden vergeleken met het onderscheid tussen resistentie en gevoeligheid. Statistische evaluatie werd uitgevoerd met IBM SPSS 29.0 (IBM Corp., Armonk, NY, VS). Demografische gegevens, beschrijvende statistieken, categorische variabelen worden uitgedrukt in termen van frequentie (percentage).

Categorische variabelen worden uitgedrukt met de chikwadraattoets. De prestaties van Machine Learning-algoritmen worden geëvalueerd door ROC-analyse, AUC, classificatienauwkeurigheid, gevoeligheid en specificiteitswaarden worden berekend.