Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Sử dụng hình ảnh X-quang lồng ngực theo chuỗi thời gian và dữ liệu phòng thí nghiệm bằng máy học để nhận diện nhiễm trùng phổi và sự định cư của Acinetobacter baumannii
Tóm tắt
Việc phân biệt chính xác giữa nhiễm trùng phổi và sự định cư ở bệnh nhân có Acinetobacter baumannii là vô cùng quan trọng để tối ưu hóa điều trị và ngăn chặn lạm dụng kháng sinh hoặc điều trị không đầy đủ. Một công cụ phân loại tự động hiệu quả có thể thúc đẩy những can thiệp cá nhân hóa và cải thiện tổng thể kết quả cho bệnh nhân. Nghiên cứu này nhằm phát triển một mô hình phân loại máy học mạnh mẽ sử dụng tổ hợp hình ảnh X-quang lồng ngực theo chuỗi thời gian và dữ liệu phòng thí nghiệm để phân loại chính xác trạng thái phổi do Acinetobacter baumannii gây ra. Chúng tôi đề xuất các mô hình hồi quy logistic lồng ghép dựa trên các dữ liệu chuỗi thời gian khác nhau để tự động phân loại trạng thái phổi của bệnh nhân có Acinetobacter baumannii. Các đặc trưng nâng cao đã được rút ra từ dữ liệu chuỗi thời gian của bệnh nhân nội trú, bao gồm các chỉ số viêm phổi động trên hình ảnh X-quang lồng ngực và giá trị các chỉ số phòng thí nghiệm được ghi lại tại ba thời điểm cụ thể. Dữ liệu của 152 bệnh nhân có Acinetobacter baumannii được cấy từ đờm hoặc dịch rửa phế nang đã được phân tích hồi cứu. Mô hình của chúng tôi với nhiều dữ liệu chuỗi thời gian cho thấy hiệu suất AUC cao hơn (0.850, với khoảng tin cậy 95% là [0.638–0.873]), độ chính xác đạt 0.761, độ nhạy đạt 0.833. Mô hình, chỉ sử dụng một đặc điểm tại một thời điểm, đạt AUC 0.741. Các biến mô hình có ảnh hưởng bao gồm sự khác biệt trong điểm số viêm phổi trên hình ảnh X-quang lồng ngực. Đánh giá động các hình ảnh X-quang lồng ngực theo chuỗi thời gian và dữ liệu phòng thí nghiệm bằng máy học đã cho phép phân loại chính xác sự định cư và nhiễm trùng với Acinetobacter baumannii. Điều này cho thấy tiềm năng giúp các nhà lâm sàng cung cấp điều trị cá nhân hóa thông qua phát hiện sớm.
Từ khóa
#Acinetobacter baumannii #nhiễm trùng phổi #hình ảnh X-quang lồng ngực #máy học #phân loại dữ liệu #kiểm tra hồi quy logisticTài liệu tham khảo
Giammanco A, Calà C, Fasciana T, Dowzicky MJ. Global Assessment of the activity of Tigecycline against Multidrug-Resistant Gram-negative pathogens between 2004 and 2014 as part of the Tigecycline evaluation and Surveillance Trial. mSphere. 2017;2:e00310–16.
Garnacho-Montero J, Amaya-Villar R. Multiresistant Acinetobacter baumannii Infections: epidemiology and management. Curr Opin Infect Dis. 2010;23:332–9.
Rolain J-M, Diene SM, Kempf M, Gimenez G, Robert C, Raoult D. Real-time sequencing to decipher the molecular mechanism of resistance of a clinical pan-drug-resistant Acinetobacter baumannii isolate from Marseille, France. Antimicrob Agents Chemother. 2013;57:592–6.
Weiner LM, Webb AK, Limbago B, Dudeck MA, Patel J, Kallen AJ, et al. Antimicrobial-resistant pathogens Associated with Healthcare-Associated Infections: Summary of Data reported to the National Healthcare Safety Network at the Centers for Disease Control and Prevention, 2011–2014. Infect Control Hosp Epidemiol. 2016;37:1288–301.
Horan TC, Andrus M, Dudeck MA. CDC/NHSN surveillance definition of health care-associated Infection and criteria for specific types of Infections in the acute care setting. Am J Infect Control. 2008;36:309–32.
Koulenti D, Tsigou E, Rello J. Nosocomial Pneumonia in 27 ICUs in Europe: perspectives from the EU-VAP/CAP study. Eur J Clin Microbiol Infect Dis. 2017;36:1999–2006.
Whiteway C, Breine A, Philippe C, Van der Henst C. Acinetobacter baumannii. Trends Microbiol. 2022;30:199–200.
Zhang T, Xu X, Xu C-F, Bilya SR, Xu W. Mechanical ventilation-associated Pneumonia caused by Acinetobacter baumannii in Northeast China region: analysis of genotype and drug resistance of bacteria and patients’ clinical features over 7 years. Antimicrob Resist Infect Control. 2021;10:135.
Nseir S, Grailles G, Soury-Lavergne A, Minacori F, Alves I, Durocher A. Accuracy of American Thoracic Society/Infectious Diseases Society of America criteria in predicting Infection or colonization with multidrug-resistant bacteria at intensive-care unit admission. Clin Microbiol Infect. 2010;16:902–8.
Al-Hashimy ZS, Conway BR, Al-Yaqoobi M, Khamis F, Al Mawali GZ, Al Maashani AM, et al. Identifying targets for antibiotic use for the management of Carbapenem-Resistant Acinetobacter baumannii (CRAb) in Hospitals-A Multi-centre Nonlinear Time-Series Study. Antibiot (Basel). 2022;11:775.
Bartal C, Rolston KVI, Nesher L. Carbapenem-resistant Acinetobacter baumannii: colonization, Infection and current treatment options. Infect Dis Ther. 2022;11:683–94.
Tacconelli E, Cataldo MA, De Pascale G, Manno D, Spanu T, Cambieri A, et al. Prediction models to identify hospitalized patients at risk of being colonized or infected with multidrug-resistant Acinetobacter baumannii calcoaceticus complex. J Antimicrob Chemother. 2008;62:1130–7.
Martín-Aspas A, Guerrero-Sánchez FM, García-Colchero F, Rodríguez-Roca S, Girón-González J-A. Differential characteristics of Acinetobacter baumannii colonization and Infection: risk factors, clinical picture, and mortality. Infect Drug Resist. 2018;11:861–72.
Chaari A, Mnif B, Bahloul M, Mahjoubi F, Chtara K, Turki O, et al. Acinetobacter baumannii ventilator-associated Pneumonia: epidemiology, clinical characteristics, and prognosis factors. Int J Infect Dis. 2013;17:e1225–1228.
Munier A-L, Biard L, Legrand M, Rousseau C, Lafaurie M, Donay J-L, et al. Incidence, risk factors and outcome of multi-drug resistant Acinetobacter baumannii nosocomial Infections during an outbreak in a burn unit. Int J Infect Dis. 2019;79:179–84.
Boral B, Unaldi Ö, Ergin A, Durmaz R, Eser ÖK, Acinetobacter Study Group. A prospective multicenter study on the evaluation of antimicrobial resistance and molecular epidemiology of multidrug-resistant Acinetobacter baumannii Infections in intensive care units with clinical and environmental features. Ann Clin Microbiol Antimicrob. 2019;18:19.
Liu Z, Xu W. Neutrophil and macrophage response in Acinetobacter Baumannii Infection and their relationship to Lung Injury. Front Cell Infect Microbiol. 2022;12:890511.
Kalil AC, Metersky ML, Klompas M, Muscedere J, Sweeney DA, Palmer LB, et al. Management of adults with hospital-acquired and ventilator-associated Pneumonia: 2016 clinical practice guidelines by the Infectious Diseases Society of America and the American Thoracic Society. Clin Infect Dis. 2016;63:e61–111.
Wang L, Yin Z, Puppala M, Ezeana C, Wong K, He T, et al. A time-series feature-based recursive classification model to optimize treatment strategies for improving outcomes and resource allocations of COVID-19 patients. IEEE J Biomed Health Inform. 2022;26:3323–9.
Gould MK, Huang BZ, Tammemagi MC, Kinar Y, Shiff R. Machine learning for early Lung Cancer Identification using Routine Clinical and Laboratory Data. Am J Respir Crit Care Med. 2021;204:445–53.
Liu Y, Wang Y, Wang Y, Xie Y, Cui Y, Feng S, et al. Early prediction of treatment response to neoadjuvant chemotherapy based on longitudinal ultrasound images of HER2-positive Breast cancer patients by siamese multi-task network: a multicentre, retrospective cohort study. EClinicalMedicine. 2022;52:101562.
Moons KGM, Altman DG, Reitsma JB, Ioannidis JPA, Macaskill P, Steyerberg EW, et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): explanation and elaboration. Ann Intern Med. 2015;162:W1–73.
Chen B, He L, Hu B. Consensus of the Chinese specialists for diagnosis, treatment & control of acinetobacter baumannii Infection. Zhonghua Yi Xue Za Zhi. 2012;92:76–85.
Hansell DM, Bankier AA, MacMahon H, McLoud TC, Müller NL, Remy J. Fleischner Society: Glossary of terms for thoracic imaging. Radiology. 2008;246:697–722.
Warren MA, Zhao Z, Koyama T, Bastarache JA, Shaver CM, Semler MW, et al. Severity scoring of lung oedema on the chest radiograph is associated with clinical outcomes in ARDS. Thorax. 2018;73:840–6.
Meurer WJ, Tolles J. Logistic Regression Diagnostics: understanding how well a Model predicts outcomes. JAMA. 2017;317:1068–9.
Van Calster B, Wynants L, Verbeek JFM, Verbakel JY, Christodoulou E, Vickers AJ, et al. Reporting and interpreting decision curve analysis: a guide for investigators. Eur Urol. 2018;74:796–804.
Lundberg SM, Nair B, Vavilala MS, Horibe M, Eisses MJ, Adams T, et al. Explainable machine-learning predictions for the prevention of hypoxaemia during Surgery. Nat Biomed Eng. 2018;2:749–60.
Harding CM, Hennon SW, Feldman MF. Uncovering the mechanisms of Acinetobacter baumannii virulence. Nat Rev Microbiol. 2018;16:91–102.