编辑推荐：
为解决血流感染（BSI）中病原体及耐药表型检测耗时长的问题，研究人员基于基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）构建决策树（DT）等树型机器学习模型，对耐碳青霉烯类大肠杆菌（CREC）和肺炎克雷伯菌（CRKP）进行分类预测，结果良好，有助于临床早期干预和合理使用抗生素。
血流感染（Bloodstream infection，BSI）是全球范围内严重的公共卫生问题，每年其发病率和死亡率都在攀升，不仅延长患者住院时间，还极大地增加了医疗系统的负担 。欧洲每年约有 120 万例 BSI 发作，相关死亡人数介于 157,750 至 2,763,181 人之间。BSI 若未及时恰当治疗，极易引发败血症和多器官功能障碍综合征。血培养虽为诊断 BSI 的金标准，但传统依赖培养的病原体鉴定及体外药敏试验（Antimicrobial susceptibility testing，AST）耗时久，不同病原体生长时间和培养技术要求差异大，严重影响检测效率。现有核酸检测方法虽能缩短检测时间至 8 小时以内，但需特殊仪器和试剂；免疫层析试验虽能快速检测碳青霉烯耐药基因，却成本高昂。因此，开发快速、高效且经济的检测方法迫在眉睫。
浙江荣军医院的研究人员开展了一项旨在快速检测血培养中耐碳青霉烯类大肠杆菌（carbapenem-resistant Escherichia coli，CREC）和耐碳青霉烯类肺炎克雷伯菌（carbapenem-resistant Klebsiella pneumoniae，CRKP）的研究。他们基于 MALDI-TOF MS 技术，结合决策树（Decision Tree，DT）、随机森林（Random Forest，RF）、梯度提升机（Gradient Boosting Machine，GBM）、极端梯度提升（eXtreme Gradient Boosting，XGBoost）和极度随机树（Extremely Randomized Trees，ERT）等树型机器学习模型，对细菌进行分类和耐药性预测。该研究成果发表在《BMC Microbiology》杂志上，为临床早期干预和合理使用抗生素提供了重要依据。
研究人员采用的主要关键技术方法包括：收集浙江荣军医院 2021 年 10 月至 2024 年 9 月间非重复的大肠杆菌（640 株）和肺炎克雷伯菌（444 株）菌株，通过 MALDI-TOF MS 进行细菌鉴定，利用 VITEK?2 Compact 仪器及革兰阴性菌药敏卡 AST-GN13 进行药敏试验；对 MALDI-TOF MS 收集的质谱数据进行处理，采用合成少数过采样技术（SMOTE）平衡样本差异，划分训练集和测试集构建树型机器学习模型；运用血清分离胶法处理阳性血培养样本，获取病原体进行鉴定和模型验证。
研究结果
- 机器学习模型构建数据组成：建模过程中收集了 640 例大肠杆菌和 444 例肺炎克雷伯菌的 MALDI-TOF MS 峰数据。大肠杆菌中，碳青霉烯敏感型有 529 例（占 82.66%），CREC 有 111 例（占 17.34%）；肺炎克雷伯菌中，碳青霉烯敏感型有 301 例（占 67.79%），CRKP 有 143 例（占 32.21%）。从阳性血培养瓶中还收集并鉴定了 149 例大肠杆菌和 127 例肺炎克雷伯菌，用于模型验证12。
- 大肠杆菌机器学习模型：训练的 5 种树型机器学习模型表现出色，受试者工作特征曲线下面积（AUROC）均超 0.95，十折交叉验证得分均超 0.95，对血培养测试数据的预测准确率超 0.86。其中 RF 整体性能最佳，通过 SHAP 图分析，影响 CREC 检测的前十特征峰中，7,870 - 7,879 m/z 影响最大3。
- 肺炎克雷伯菌机器学习模型：5 种模型中决策树训练效果稍弱，其余 4 种模型 AUROC 达 0.90 及以上，十折交叉验证得分 0.80 及以上，血培养预测准确率在 0.76 - 0.86 之间。RF 依然表现最佳，影响 CRKP 检测的前十特征峰中，4,920 - 4,929 m/z 影响最大45。
研究结论与讨论
本研究证实基于树型机器学习的方法可用于检测阳性血培养中大肠杆菌和肺炎克雷伯菌对碳青霉烯类药物的敏感性。该方法成本效益高、检测快速，能助力临床在短时间内做出决策。不过研究也存在局限性，如质谱鉴定未重复实验、数据仅来自单中心等。但总体而言，此研究在对抗抗生素耐药性方面迈出重要一步，为提高诊断准确性和制定治疗策略开辟了新途径。其成果有助于临床医生更及时准确地判断病原体耐药情况，合理选用抗生素，对改善患者预后、减少抗生素滥用具有重要意义，也为后续相关研究指明了方向，推动抗生素耐药性检测和治疗领域的进一步发展。
