Uma nova abordagem para resistência antimicrobiana: previsões de aprendizado de máquina para Klebsiella resistente a carbapenem em UTIs (ICU)

A resistência antimicrobiana é uma ameaça crescente globalmente e tem sérias consequências tanto para a saúde pública quanto para a economia. Em uma infecção que pode se desenvolver com um microrganismo resistente, as opções terapêuticas são limitadas, portanto, o tratamento precoce e eficaz que pode ser iniciado prevendo a resistência fará diferença no prognóstico do paciente.

Hoje, a inteligência artificial e o aprendizado de máquina estão mudando nossa prática médica. Quando a literatura é revisada, há estudos sugerindo que o aprendizado de máquina pode prever a resistência antimicrobiana. Fatores de risco para Klebsiella spp. previamente identificados. Esses fatores de risco previamente identificados serão avaliados retrospectivamente em nossos próprios pacientes e um algoritmo relacionado à previsão de resistência será desenvolvido com a ajuda de aprendizado de máquina.

Nosso objetivo é prever a resistência bacteriana mais cedo em nossos pacientes monitorados em nossa Unidade de Terapia Intensiva no futuro, usando inteligência artificial, e facilitar o acesso de nossos pacientes a opções de tratamento precoces e eficazes.

Secundariamente, também visa fornecer benefícios econômicos, evitando o uso desnecessário de antibióticos.

O acesso aos dados dos pacientes será obtido retrospectivamente por meio do sistema de automação hospitalar.

Publicações na literatura serão examinadas, e os fatores de risco que causam o desenvolvimento de infecção por Klebsiella spp resistente a carbapenêmicos. será avaliado.

Os pacientes com resistência e sensibilidade aos carbapenêmicos serão comparados em dois subgrupos separados.

As características obtidas serão classificadas usando várias árvores de decisão e algoritmos neurais separadamente. Os dados obtidos serão comparados estatisticamente na distinção de resistência e sensibilidade. A avaliação estatística foi feita com o IBM SPSS 29.0 (IBM Corp., Armonk, NY, EUA). Dados demográficos, estatísticas descritivas, variáveis ​​categóricas serão expressos em termos de frequência (percentagem).

As variáveis ​​categóricas serão expressas com o teste qui-quadrado. O desempenho dos algoritmos de Machine Learning será avaliado por análise ROC, AUC, precisão de classificação, sensibilidade e valores de especificidade serão calculados.