新的数据表明，机器学习算法可以准确预测住院患者的差异梭菌感染
今天公布的新数据表明，几种常用的机器学习算法(MLAs)可以有效地预测哪些住院患者会被感染Clostridiodes固执的（c . diff)。研究结果发表在美国感染控制杂志(AJIC)是感染控制和流行病学专业人员协会(APIC)的期刊，它可以支持感染预防和早期诊断，以及更及时地实施感染控制措施以最大限度地减少感染c . diff传播。
“我们的研究结果表明，MLAs可以在减少医疗相关感染的临床和经济影响方面发挥重要作用c . diff通过提供at-的早期预测风险的患者在他们出现严重并发症之前，”达森萨公司科学副总裁Jana Hoffman说。“这些数据与越来越多的证据相一致，这些证据证实人工智能和MLAs是医疗保健管理不可或缺的组成部分，可以改善患者的结果，并帮助时间紧迫的临床医生提供最佳的患者护理。”
c . diff感染(CDI)是医院获得性腹泻的主要原因，与显著的发病率、死亡率和医疗费用有关。目前还没有黄金标准工具来评估个体患者获得CDI的风险。霍夫曼和她的同事此前发表过文章数据这证明了MLAs可以预测罹患其他高影响性HAIs的患者的风险。
在今天发表的研究中，研究人员使用了一个包含来自全国700多家医院的电子健康记录(EHR)患者数据的数据库，对三种不同的经典机器学习和深度学习方法进行了训练和系统评估。他们最初评估各种型号以确定它们是否可以有效预测住院患者早期住院数据中的CDI，然后使用一个独特的外部数据集来评估表现最佳的MLA模型的普遍性。
结果表明，仅使用前6小时的住院患者数据，MLAs就可以预测CDI，具有极好的辨别能力。在研究的三种方法中，一种名为XGBoost的机器学习方法在预测CDI方面提供了最高的总体精度，尽管它是最简单的模型。XGBoost还通过在外部数据集中保持其预测性能来证明其可泛化性。研究人员评估的另外两种方法，神经网络被称为深度长短期记忆(D-LSTM)和一维卷积神经网络(1D-CNN)，也显示了较高的预测准确性，尽管不太容易推广。
表现最好的XGBoost、D-LSTM和1D-CNN模型使用了类似的特征来预测患者中的CDI，所有这些都曾被确定为风险因素。在本研究中，年龄是主要的CDI危险因素，其次是临床测量，如钠、体重指数、白细胞计数和心率；积极治疗抗生素或质子泵抑制剂；糖化血红蛋白;和种族。
“这项研究支持了早期的研究，即MLAs提供可靠的信息感染—风险预测，可以使临床团队在更早的时间点实施适当的感染控制措施，从而改善医疗保健结果，”注册护士、公共卫生硕士、CIC、FAPIC和2022年APIC主席Linda Dickey说。
