NeurABM 框架：精准识别与预测医院耐药菌感染的新利器

为解决医院中耐多药菌（MDROs）感染识别和预测难题，研究人员开展 NeurABM 框架研究，结果显示该框架性能优异，意义重大。

　　

在医院这个本应是守护健康的地方，却隐藏着一些 “危险分子”，它们就是耐多药菌（MDROs）。由 MDROs 引发的医疗相关感染（HAIs），正严重威胁着患者的安全。在美国，约 3% 的住院患者会在住院期间获得 HAIs，每年导致超过 35,000 人死亡。更棘手的是，有些患者入院时就已被 MDROs 定植或感染，却没有症状，也就是 “输入病例”，这些病例在欧洲部分国家的 HAIs 病例中占比可观，如德国 13%、西班牙 18.9% 。它们就像隐藏在暗处的 “敌人”，不仅能直接在患者间传播病原体，还能通过医护人员和被污染的物体表面间接传播，引发更多的医院感染病例，而且这些后续感染病例也可能无症状，进一步加剧了病原体的传播。

面对这一严峻的问题，当前的检测和预测方法却不尽人意。常用的监测检测手段，像培养或 PCR 检测，不仅成本高、耗时长，还无法保证 100% 准确，并且并非适用于所有 MDROs。机器学习和统计技术虽利用患者电子健康记录（EHR）数据进行预测，但由于数据不平衡、存在偏差，以及难以将物理流行病学机制融入框架等问题，在临床实践中的表现并不稳健。基于模型的方法虽能捕捉 HAIs 的传播动态，却无法直接将患者 EHR 数据中的风险因素纳入建模，且对未来接触网络的预测依赖假设，导致预测可靠性降低。

为了攻克这些难题，来自美国佐治亚理工学院、弗吉尼亚大学等机构的研究人员 Jiaming Cui、Jack Heavey 等人开展了一项重要研究。他们提出了一种全新的框架 ——NeurABM，将神经网络和基于代理的模型（ABM）相结合，相关研究成果发表在《npj Digital Medicine》上。

研究人员为开展此项研究，运用了多种关键技术方法。首先，从弗吉尼亚大学医院的 EHR 中提取了患者人口统计信息、风险因素、实验室检测和接触网络数据。其次，采用 SIS-ABM 模型来捕捉 MRSA 在医院重症监护病房（ICUs）的传播动态。最后，构建 NeurABM 框架，该框架由神经网络和 ABM 模拟器两部分组成，通过两者的协同工作来实现对 MDROs 感染的识别和预测，并使用加权二元交叉熵损失（BCE 损失）函数进行模型训练。

下面来看具体的研究结果：

1. 识别输入病例：研究人员对比了 NeurABM 与多种基线方法，结果显示 NeurABM 在识别输入病例方面表现卓越。在精度为 0.25、0.5 和 0.75 时，NeurABM 的召回率均最高，其精度 - 召回曲线下面积（AUPRC）最大（0.60），负预测值（NPV）始终高于 0.9 且高于其他基线，受试者工作特征曲线下面积（AUC-ROC）也最大（0.86） 。这表明 NeurABM 能更准确地识别输入病例，减少漏检患者。

2. 识别当前医院感染病例：在识别当前 MRSA 医院感染病例时，NeurABM 同样表现出色。其精度 - 召回曲线下面积最大（0.69） ，在不同精度下召回率最高，NPV 高于 0.9 且高于其他基线，AUC-ROC 最高（0.88） ，这意味着 NeurABM 能更有效地识别当前医院感染病例。

3. 预测未来医院感染病例：NeurABM 在预测未来 MRSA 医院感染病例方面也展现出强大的能力。其精度 - 召回曲线下面积最大（0.85） ，在不同精度下召回率最高，NPV 高于 0.9 且高于其他基线，AUC-ROC 最高（0.92） ，说明 NeurABM 能更精准地预测未来感染病例。

4. 预测高风险 MRSA 病例：通过对高风险患者中 MRSA 病例的预测实验发现，NeurABM 能在相同检测预算下预测更多未来医院感染病例。例如，若仅检测 20% 基于 NeurABM 预测感染概率排名靠前的患者，可识别 88% 的携带患者，而最佳基线方法 XGBoost 仅能识别 65% 。

5. 案例研究：神经网络的解释：研究人员通过案例研究探究了 NeurABM 框架中被认为与输入病例高风险相关的患者风险因素。发现患者在 ICU 入院前 7/14 天内接触过更多 MRSA 患者、有设备使用史、来自或上次出院于其他医疗机构，更易被视为输入病例，这与临床医生的实际观察相符。

研究结论和讨论部分指出，NeurABM 成功整合了深度学习和 ABM 的优势，有效利用了 EHR 中的多样数据来源，在识别和预测 MDROs 感染方面表现出色，性能达到临床实用水平。其 NPV 始终高于 0.9，能减少漏检患者。虽然该框架存在一定局限性，如 SIS-ABM 模型对 MRSA 携带状态的定义过于简化，构建接触网络时的假设可能影响预测效果，且目前仅在弗吉尼亚大学 ICU 进行评估，但它具有很强的通用性和扩展性。未来可使用更复杂的 ABM 模型，添加更多患者风险因素，在更多医疗环境中进行评估。NeurABM 为利用 EHR 数据中的患者风险因素和基于流行病学知识设计的 ABM 研究开辟了新方向，有望在医院 HAIs 防控中发挥重要作用，助力优化医院感染控制策略，保障患者健康。