整合社会经济剥夺指数与电子健康记录数据预测抗菌药物耐药性：为抗感染治疗开辟新路径

《npj Antimicrobials and Resistance》：Integrating socioeconomic deprivation indices and electronic health record data to predict antimicrobial resistance

为解决抗菌药物耐药性（AMR）对感染治疗的威胁及血培养结果滞后问题，研究人员开展整合社会经济剥夺指数和电子健康记录数据预测 AMR 的研究。结果显示随机森林和 XGBoost 模型表现良好，该研究有助于临床精准用药，减轻 AMR 负担。

　　在全球范围内，败血症（Sepsis）作为一种严重的血液感染疾病，如同隐藏在暗处的杀手，时刻威胁着人类的健康。据统计，2017 年全球败血症病例高达约 4890 万例，死亡人数达 1100 万，几乎占全球死亡人数的 20%。细菌引起的血液感染是败血症的常见病因，为了控制病情，医生往往会使用广谱抗生素。然而，抗菌药物耐药性（AMR）的出现却让这一治疗手段陷入困境。多重耐药菌（MDROs）在近 25% 的败血症患者中出现，导致患者临床结局恶化，死亡率大幅上升。而且，医疗相关感染中的 AMR 不仅增加了患者的痛苦，还对各国医疗经济造成了沉重的负担。据估计，每年因 AMR 相关细菌感染导致的死亡人数高达 70 万，如果不加以控制，到 2050 年，这个数字预计将飙升至每年 1000 万。

目前，血培养作为确定感染病原体和抗菌药物敏感性的关键检测方法，却存在一个严重的弊端 —— 结果等待时间长，通常需要 24 - 72 小时。在等待结果的过程中，医生只能凭借经验使用广谱抗生素进行治疗。但如果用药不当，不仅无法有效治疗感染，还会进一步加剧 AMR 问题。因此，开发能够帮助医生在血培养结果出来前做出更精准治疗决策的抗菌药物管理工具迫在眉睫。

在这样的背景下，来自美国德克萨斯大学西南医学中心（University of Texas Southwestern Medical Center）等机构的研究人员展开了一项具有重要意义的研究。他们旨在利用社会经济剥夺指数创建多类机器学习模型，识别出五种目标耐药菌，为临床抗菌药物的合理使用提供有力支持。该研究成果发表在《npj Antimicrobials and Resistance》杂志上。

研究人员在开展此项研究时，运用了多种关键技术方法。他们收集了德克萨斯州达拉斯 - 沃斯堡地区两个医疗系统（Texas Health Resources 和德克萨斯大学西南医学中心）2006 年至 2023 年间至少有一次阳性细菌血培养的成年患者数据。通过 Python 编程对数据进行预处理，将各类信息进行数值化转换。利用美国人口普查局的地理编码 API 获取患者地址相关的人口普查区和街区组信息，并与社会经济脆弱性指数（SVI）和地区剥夺指数（ADI）进行关联。采用了惩罚逻辑回归、随机森林和 XGBoost 三种监督机器学习分类器，通过 5 折分层交叉验证网格搜索对模型参数进行优化，并使用平衡类加权等方法处理数据不平衡问题。

下面来看具体的研究结果：

• 二元分类结果：研究人员运用三种不同的二元分类模型预测血培养是否会表现出耐药性。其中，随机森林和 XGBoost 模型表现最佳，受试者工作特征曲线下面积（AUC - ROC）值均为 0.71。随机森林模型的阴性预测值略高，达到 93.2%，特异性为 0.68，敏感性为 0.63。对模型重要特征分析发现，随机森林模型确定先前感染（Prior Infection）、住院时间（Length of Stay）和 SVI 为前三大影响特征；XGBoost 模型突出先前感染、先前耐药（Prior Resistance）和住院时间为关键因素；逻辑回归模型则强调先前耐药、住院时间和性别（Sex）的重要性。
• 多类分类结果：对于多类分类模型，随机森林模型对五种 AMR 菌（ESBL、CRE、AmpC、MRSA 和 VRE）的 AUC 值分别为 0.95、0.95、0.79、0.91、0.95 。随机森林模型优先考虑先前感染、年龄（Age）、SVI、住院时间和种族（Race）等特征；XGBoost 模型则凸显了如先前 MRSA 感染、先前 AmpC 感染等先前感染以及先前多重耐药菌（MDR）感染的重要性。相对而言，所有模型预测 AmpC 的难度较大，AUC - ROC 值较低。

综合研究结果和讨论部分，该研究具有重要意义。一方面，研究开发的二元机器学习分类模型阴性预测值较高，能够准确判断初始血培养是否为潜在的抗生素耐药性全身感染，为临床医生在等待血培养和药敏结果时，选择经验性抗生素治疗提供了有力支持，有助于减少广谱抗生素的过度使用，降低 AMR 风险。另一方面，多类分类模型可以识别出可能的耐药菌，帮助医生更明智地选择最合适的经验性抗生素。同时，研究还发现社会经济因素在预测抗生素耐药性感染中起着关键作用，将 ADI 和 SVI 纳入模型是一种创新的方法。然而，该研究也存在一定的局限性，如患者数据可能存在重复计数、研究范围局限于北德克萨斯地区、数据集不平衡以及社会经济指数随时间变化可能影响研究结果等。但这也为后续研究指明了方向，未来需要进一步验证模型的普遍性，并解决这些问题。总体而言，这项研究为抗菌药物耐药性管理提供了新的思路和方法，对改善临床治疗和减轻全球公共卫生负担具有重要的推动作用。