摘要

背景

：抗菌素耐藥性，尤其是多重耐藥菌（MDROs）的耐藥性，仍然是一個全球性的健康危機(jī)，加劇了臨床和經(jīng)濟(jì)負(fù)擔(dān)。為了有效管理抗生素的使用，識別基于因果關(guān)系的預(yù)測因子并考慮臨床數(shù)據(jù)的時間依賴性對于開發(fā)更加穩(wěn)健和可操作的預(yù)測模型至關(guān)重要。 目標(biāo)：本研究旨在（1）識別并量化MDRO的因果關(guān)系相關(guān)預(yù)測因子；（2）使用兩個真實(shí)世界數(shù)據(jù)集評估5種預(yù)測MDRO陽性的模型的性能。

方法

：我們在每種MDRO的馬爾可夫邊界內(nèi)識別了基于因果關(guān)系的變量，以表征局部依賴性。然后將這些選定變量在ICU入院后的前24小時內(nèi)的時間測量值與靜態(tài)特征結(jié)合起來，預(yù)測ICU住院期間的MDRO培養(yǎng)陽性情況。

結(jié)果

：在5種MDRO類型中，共識別出32個基于因果關(guān)系的特征。在MIMIC-IV和MIMIC-III數(shù)據(jù)集上進(jìn)行驗(yàn)證的結(jié)果顯示，Bi-GRU模型的性能優(yōu)于其他模型，其AUC值介于0.8261至0.8280之間，AUPRC值介于0.5227至0.5375之間（分別比XGBoost提高了1.03%和25.09%），并且在所有MDRO亞型中AUC值均大于0.75。值得注意的是，使用基于因果關(guān)系的簡化特征集訓(xùn)練的模型與使用完整特征集訓(xùn)練的模型表現(xiàn)相當(dāng)或更好。

結(jié)論

：研究結(jié)果突顯了基于因果關(guān)系的特征在減少虛假相關(guān)性方面的能力。這項(xiàng)工作為ICU抗生素的合理使用提供了機(jī)制上的見解。

引言

抗菌素耐藥性（AMR）是一個日益嚴(yán)重的全球性危機(jī)，世界衛(wèi)生組織在2019年將其列為對全球健康的十大威脅之一[1]。AMR每年導(dǎo)致約471萬人死亡，并預(yù)計(jì)從2022年到2050年這一數(shù)字將增加69.6%[2]。重癥監(jiān)護(hù)病房（ICUs）是細(xì)菌感染的高風(fēng)險環(huán)境，尤其是由多重耐藥菌（MDROs）引起的感染[3,4]。一項(xiàng)多中心前瞻性隊(duì)列研究顯示，中國碳青霉烯類耐藥肺炎克雷伯菌感染的30天死亡率為12%，美國為23%，南美洲為28%，但目前尚無針對MDRO感染的具體治療方法[5]。除了高死亡率外，MDRO感染還帶來了巨大的經(jīng)濟(jì)負(fù)擔(dān)。在美國，治療費(fèi)用從耐甲氧西林金黃色葡萄球菌（MRSA）的每例30,998美元到碳青霉烯類耐藥鮑曼不動桿菌的74,306美元不等，2017年MDR感染的總費(fèi)用估計(jì)為46億美元[6]。

超過一半的ICU抗生素處方因指示不當(dāng)、藥物選擇錯誤或使用時間過長而不合理[3]，這加劇了不良反應(yīng)并加速了MDRO的出現(xiàn)[7]。此外，微生物培養(yǎng)和敏感性測試需要24至72小時，導(dǎo)致感染確認(rèn)延遲，從而促使不合理的經(jīng)驗(yàn)性抗生素治療（EAT），并促進(jìn)了MDRO的傳播和醫(yī)院獲得性感染。監(jiān)測策略有潛力減少M(fèi)DRO的傳播和感染[8]，但由于政策、人員和資源方面的重大需求，在廣泛實(shí)施方面面臨挑戰(zhàn)[9]。COVID-19大流行進(jìn)一步暴露了感染控制和監(jiān)測方面的不足，突顯了快速識別高風(fēng)險MDRO感染患者的創(chuàng)新工具的必要性[10]。人工智能（AI）在利用大規(guī)模電子健康記錄（EHR）數(shù)據(jù)進(jìn)行早期檢測和干預(yù)方面具有巨大潛力[11]。基于AI的警報(bào)模型對于監(jiān)測高風(fēng)險患者和指導(dǎo)抗生素使用至關(guān)重要。

機(jī)器學(xué)習(xí)（ML）和深度學(xué)習(xí)（DL）模型在預(yù)測MDRO定植或感染方面的表現(xiàn)參差不齊，報(bào)告的AUC值介于大約0.48到0.93之間，合并AUC值為0.82（95%置信區(qū)間0.78–0.85）[12]。然而，大多數(shù)研究存在較高的偏見風(fēng)險，且缺乏可解釋性和外部驗(yàn)證[12,13]，這限制了它們的臨床實(shí)用性[11,14]。此外，僅依賴統(tǒng)計(jì)相關(guān)性可能會引入虛假或冗余的特征，進(jìn)一步限制了模型的穩(wěn)健性和泛化能力[5]。

因果關(guān)系分析[15,16]為識別潛在的MDRO驅(qū)動因素和增強(qiáng)模型穩(wěn)定性提供了一個創(chuàng)新框架。與純粹的相關(guān)性分析相比，因果方法可以揭示合理的機(jī)制，并生成復(fù)雜的特征交互作用的可解釋圖表。在臨床研究中，因果算法為昂貴的或不可行的手動分析和隨機(jī)對照試驗(yàn)提供了一種實(shí)用的替代方案[17]。具體而言，因果發(fā)現(xiàn)（CD）模型明確捕捉了臨床特征與不良結(jié)果之間的特定關(guān)系，減少了對虛假相關(guān)性和混雜因素的依賴，支持更可靠的預(yù)測和有針對性的預(yù)防和治療策略[18]。然而，它們在預(yù)測MDRO方面的應(yīng)用仍然有限。

為了填補(bǔ)這一空白，本研究有兩個主要目標(biāo)（圖1）：1）識別5種MDRO類型的基于因果關(guān)系的特征：利用CD方法從ICU記錄中挖掘穩(wěn)定的預(yù)測因子。作為對這一背景下因果關(guān)系的初步探索，這項(xiàng)工作為簡化臨床數(shù)據(jù)收集和優(yōu)化特征維度提供了新的見解；2）評估預(yù)測性能：使用傳統(tǒng)ML和結(jié)合時間ICU記錄的DL來比較預(yù)測成人ICU患者M(jìn)DRO培養(yǎng)陽性的特征集。

研究人群和定義

數(shù)據(jù)集：MIMIC-IV（v3.1）[19]，這是一個包含波士頓貝斯以色列女執(zhí)事醫(yī)療中心急診科或ICU入院患者的去標(biāo)識化隊(duì)列，以及一個不與MIMIC-IV重疊的MIMIC-III（v1.4，https://physionet.org/content/mimic3-carevue/1.4/）子集[20]，排除了同時出現(xiàn)在MIMIC-IV中的患者。

參與者：本研究包括在ICU住院時間超過24小時的成人患者（≥18歲），這些患者接受了微生物培養(yǎng)。

患者特征

討論

結(jié)論

資助

倫理批準(zhǔn)

代碼可用性