Χρήση μεθόδων τεχνητής νοημοσύνης για την πρόβλεψη της μικροβιακής αντοχής και την επιλογή εμπειρικής θεραπείας

Abstract

Introduction: Hospital-acquired infections, particularly in the critical care setting, have become increasingly common during the last decade, with Gram-negative bacterial infections presenting the highest incidence among them. Multi-drug-resistant Gram-negative infections are associated with high morbidity and mortality with significant direct and indirect costs resulting from long hospitalization due to antibiotic failure. Time is critical to identifying bacteria and their resistance to antibiotics due to the critical health status of patients in the intensive care unit. As traditional susceptibility tests require more than 24 hours after sample collection to determine susceptibility to specific antibiotics, we propose to apply machine learning techniques to help the clinician assess whether bacteria are resistant to individual antimicrobials before antimicrobial susceptibility testing is completed. Aim: To apply and compare Machine Learning methods using data from the hospital information system and to develop antimicrobial resistance prediction models to support decisions about antimicrobial therapy. Methods: Various artificial intelligence (Machine Learning) methods were applied and compared to hospital information system data on demographic data, culture results and antimicrobial susceptibility data of patients hospitalized in the ICU and other departments of a Greek hospital over three years. The five individual studies use different machine learning classifiers and techniques such as Class Balancer and the Synthetic Minority Oversampling Technique (SMOTE) to deal with data imbalance. In addition, various data analysis techniques are used, including association rule mining with the Apriori algorithm and 10-fold cross-validation. Software tools such as WEKA and the R programming language are used to analyze and visualize the results. Results: From the combined results of the five individual studies, an extensive use of machine learning methods for the assessment and prediction of antimicrobial resistance emerges. Various algorithms and techniques were used and evaluated based on indicators such as TP rate, FP rate, Precision, Recall, F-measure, MMC, area under ROC curve and PRC. Techniques such as kNN, polynomial logistic regression, Multilayer perceptron, JRip and regression classification models were highlighted for their strong performances on different performance measures. The results of the AutoML application confirmed the value of automated machine learning in finding robust predictive models (in particular Stack Ensemble), with high performance on weighted metrics such as AUCW, APSW, F1W and ACC. The importance of various characteristics, such as type of antibiotic, sex, age and type of sample, was highlighted as a critical element in the prediction of antimicrobial resistance. Finally, by analyzing association rules based on minimum support and confidence thresholds, rules with particularly high confidence were extracted, revealing strong associations between data features and antibiotic susceptibility. Conclusion: Applying machine learning algorithms to patient antimicrobial susceptibility data, readily available, from the hospital information system, even in resource-limited hospital settings, can provide informative antibiotic susceptibility predictions to aid clinicians in selecting appropriate empirical antibiotic therapy. These strategies, when used as a decision support tool, have the potential to improve empiric therapy selection and reduce the antimicrobial resistance burden.

Εισαγωγή: Οι νοσοκομειακές λοιμώξεις, ιδίως στη μονάδα εντατικής θεραπείας, έχουν γίνει όλο και πιο συχνές κατά την τελευταία δεκαετία, με τις αρνητικές κατά Gram βακτηριακές λοιμώξεις να παρουσιάζουν τη μεγαλύτερη συχνότητα εμφάνισης. Οι πολυανθεκτικές Gram-αρνητικές λοιμώξεις σχετίζονται με υψηλή νοσηρότητα και θνησιμότητα με σημαντικό άμεσο και έμμεσο κόστος που προκύπτει από τη μακρά νοσηλεία λόγω αποτυχίας της αντιβιοτικής αγωγής. Ο χρόνος που απαιτείται για τον εντοπισμό των βακτηρίων και τον έλεγχο της αντοχής στα αντιβιοτικά είναι καίριας σημασίας, λόγω της κρίσιμης κατάστασης της υγείας των ασθενών στη Μονάδα Εντατικής Θεραπείας. Καθώς οι παραδοσιακές δοκιμασίες ευαισθησίας απαιτούν περισσότερες από 24 ώρες μετά τη συλλογή του δείγματος για τον προσδιορισμό της ευαισθησίας σε συγκεκριμένα αντιβιοτικά, προτείνουμε την εφαρμογή τεχνικών μηχανικής μάθησης για να βοηθήσουμε τον κλινικό ιατρό να εκτιμήσει εάν τα βακτήρια είναι ανθεκτικά σε μεμονωμένα αντιμικροβιακά, προτού ολοκληρωθούν οι δοκιμασίες αντιμικροβιακής ευαισθησίας. Σκοπός: Η εφαρμογή και σύγκριση μεθόδων Μηχανικής Μάθησης χρησιμοποιώντας δεδομένα από το πληροφοριακό σύστημα του νοσοκομείου και η ανάπτυξη μοντέλων πρόβλεψης μικροβιακής αντοχής για την υποστήριξη αποφάσεων σχετικά με την αντιμικροβιακή θεραπεία. Υλικό – Μέθοδος: Εφαρμόστηκαν και συγκρίθηκαν διάφορες μέθοδοι τεχνητής νοημοσύνης (Μηχανικής Μάθησης) σε δεδομένα του πληροφοριακού συστήματος του νοσοκομείου σχετικά με δημογραφικά δεδομένα, αποτελέσματα καλλιεργειών και δεδομένα αντιμικροβιακής ευαισθησίας ασθενών που νοσηλεύονται στη ΜΕΘ και σε άλλα τμήματα ενός ελληνικού νοσοκομείου κατά τη διάρκεια τριών ετών. Στις πέντε επιμέρους μελέτες χρησιμοποιούνται διαφορετικοί ταξινομητές μηχανικής μάθησης και τεχνικές, όπως το ClassBalancer και η τεχνική υπερδειγματοληψίας συνθετικής μειονότητας (SMOTE) για την αντιμετώπιση της ανισορροπίας δεδομένων. Επιπλέον, χρησιμοποιούνται διάφορες τεχνικές ανάλυσης δεδομένων, συμπεριλαμβανομένης της εξόρυξης κανόνων συσχέτισης με τον αλγόριθμο Apriori και της 10-πλάσιας διασταυρούμενης επικύρωσης. Εργαλεία λογισμικού όπως το WEKA και η γλώσσα προγραμματισμού R χρησιμοποιούνται για ανάλυση και οπτικοποίηση των αποτελεσμάτων. Αποτελέσματα: Από τα συνολικά αποτελέσματα των πέντε επιμέρους μελετών προκύπτει μια εκτενής χρήση μεθόδων μηχανικής μάθησης για την αξιολόγηση και την πρόβλεψη της μικροβιακής αντοχής. Χρησιμοποιήθηκαν διάφοροι αλγόριθμοι και τεχνικές που εκτιμήθηκαν με βάση δείκτες όπως TP rate, FP rate, Precision, Recall, F-measure, MMC, εμβαδόν κάτω από την καμπύλη ROC και PRC. Τεχνικές όπως kNN, πολυωνυμική λογιστική παλινδρόμηση, Multilayer perceptron, JRip και μοντέλα ταξινόμησης μέσω παλινδρόμησης αναδείχθηκαν για τις ισχυρές τους επιδόσεις σε διαφορετικά μέτρα απόδοσης. Τα αποτελέσματα της εφαρμογής αυτοματοποιημένης μηχανικής μάθησης (AutoML), επιβεβαίωσαν την αξία της στην εύρεση ισχυρών μοντέλων πρόβλεψης (ειδικότερα του StackEnsemble), με υψηλές επιδόσεις σε σταθμισμένες μετρικές όπως AUCW, APSW, F1W και ACC. Η σημασία των διαφόρων χαρακτηριστικών, όπως το είδος του αντιβιοτικού, το φύλο, η ηλικία και το είδος του δείγματος, υπογραμμίστηκε ως κρίσιμο στοιχείο στην πρόβλεψη μικροβιακής αντοχής. Τέλος, με την ανάλυση κανόνων συσχέτισης βάσει κατωφλίων ελάχιστης υποστήριξης και εμπιστοσύνης, εξήχθησαν κανόνες με ιδιαίτερα υψηλή εμπιστοσύνη, αποκαλύπτοντας ισχυρές συσχετίσεις μεταξύ των χαρακτηριστικών των δεδομένων και της ευαισθησίας σε αντιβιοτικά. Συμπέρασμα: Η εφαρμογή αλγορίθμων μηχανικής μάθησης σε δεδομένα αντιμικροβιακής ευαισθησίας ασθενών, τα οποία είναι άμεσα διαθέσιμα, από το πληροφοριακό σύστημα του νοσοκομείου, ακόμη και σε νοσοκομεία με περιορισμένους πόρους, μπορεί να παρέχει κατατοπιστικές προβλέψεις ευαισθησίας στα αντιβιοτικά, ώστε να βοηθήσει τους κλινικούς ιατρούς στην επιλογή της κατάλληλης εμπειρικής αντιβιοτικής θεραπείας. Αυτές οι στρατηγικές, όταν χρησιμοποιούνται ως εργαλείο υποστήριξης αποφάσεων, έχουν τη δυνατότητα να βελτιώσουν την επιλογή εμπειρικής θεραπείας και να μειώσουν το φορτίο της μικροβιακής αντοχής.