En evaluering af maskinlæring for at identificere bakteriemi hos SIRS-patienter

Et team af forskere ved det medicinske universitet i Wien har for nylig evalueret effektiviteten af ​​maskinlæringsstrategier til at identificere bakteriæmi hos patienter, der er ramt af systemisk inflammatorisk respons syndrom (SIRS). Deres studie, udgivet i Videnskabelige rapporter , samlet nedslående resultater, da maskinlæringsmetoder ikke kunne opnå bedre nøjagtighed end nuværende diagnostiske teknikker.

Bakteriæmi er en hyppig medicinsk tilstand karakteriseret ved tilstedeværelsen af ​​bakterier i blodet, med en dødelighed på mellem 13 procent og 21 procent. Tidligere forskning tyder på, at en række faktorer er forbundet med risikoen for at udvikle denne tilstand, inklusive høj alder, urin- eller indlagt vaskulært kateter, kemoterapi, og immunsuppressive terapier.

At diagnosticere bakteriæmi tidligt er af afgørende betydning for overlevelsen af ​​berørte patienter, da de kræver hurtig behandling med passende antibiotika. I øjeblikket, analyse af blodkultur (BC) er den vigtigste metode til at diagnosticere tilstanden. Imidlertid, denne metode er langt fra ideel, da det ofte er svært at afgøre, hvem der skal gennemgå BC-analyse, resultaterne tager omkring tre dage til at blive behandlet, og det kan føre til omkring 8 procent af falske positiver.

Forskere forsøger derfor at identificere biomarkører eller forudsigelsesværktøjer, der bedre kan identificere patienter med en høj bakteriemirisiko. Indtil nu, procalcitonin (PCT) har vist sig at være den bedste biomarkør til at påvise tilstanden, med en samlet sensitivitet på 76 procent og en poolet specificitet på 69 procent.

I deres undersøgelse, forskerne undersøgte, om maskinlæringsstrategier kunne forbedre den diagnostiske ydeevne af PCT til at identificere bakteriemi, især hos patienter med to eller flere symptomer på SIRS, som ikke krævede BC-analyse. De indsamlede data fra 466 patienter, der opfyldte kriterierne og brugte et panel med 29 parametre af kliniske data, cytokinekspressionsniveauer og standard laboratoriemarkører for at træne deres prædiktive model.

"Hovedformålet med vores undersøgelse var at vise, om tilstedeværelsen af ​​bakterier i en patients blod, efter at de har udvist betændelsesreaktioner, kan forudsiges tidligt og bedre end i øjeblikket muligt, ved hjælp af laboratorieparametre og maskinlæring, " Georg Dorffner, en af ​​de forskere, der har udført undersøgelsen, fortalte Tech Xplore. "Til det formål vi gennemførte en stor undersøgelse med patienter fra vores universitetsklinik (AKH Wien) for at indsamle de nødvendige data."

Doffner og hans kolleger brugte nogle få forudsigende modeller, der er populære inden for maskinlæring, at vurdere deres respektive effektivitet. De fokuserede især på to modeller, den ene bruger neurale netværk og den anden kaldes tilfældig skov.

"En af de modeller, vi brugte, hedder 'neuralt netværk, ' og finder gode kombinationer af laboratorieværdier, så de også kan lave ikke-lineære (dvs. ikke-proportionale) forudsigelser, Dorffner forklarede. "En anden - faktisk den bedst ydende - kaldes "tilfældig skov, ' og består af et stort antal såkaldte beslutningstræer, hvor hvert træ forsøger at træffe en række trinvise beslutninger, hver baseret på en enkelt laboratorieværdi, hvad der er den bedste forudsigelse. Disse træer arbejder så alle sammen som en komité (derfor, navnet 'skov')."

I deres undersøgelse, den tilfældige skovstrategi opnåede de bedste resultater med at forudsige bakteriemi. Imidlertid, det opnåede en diagnostisk nøjagtighed svarende til biomarkørens PCT, tyder på, at populære maskinlæringsteknikker ikke er i stand til at forudsige tilstanden bedre end de nuværende metoder.

"Vores mest meningsfulde fund var, at et sæt af flere laboratorieværdier ikke kunne føre til en bedre forudsigelse end den ene værdi, som alle andre bruger, nemlig niveauet af procalcitonin i blodet, " Dorffner forklarede. "Så maskinlæring hjalp ikke rigtig med at fremme den kliniske rutine i dette tilfælde. Det var stadig en værdifuld bestræbelse, da vores resultater fortæller andre forskere, at problemet tilsyneladende ikke er forudsigeligt, sparer dem for unødvendigt yderligere arbejde i denne retning."

Mens resultaterne indsamlet af Dorffner og hans kolleger var noget skuffende, de giver værdifuld indsigt til fremtidig forskning, skitserer vanskelighederne ved at bruge maskinlæring til at identificere bakteriemi hos SIRS-patienter.

"Vi fokuserer nu på andre kliniske applikationer, hvor maskinlæring sandsynligvis er mere lovende for at fremme forudsigelser eller diagnoser, " sagde Dorffner. "For eksempel, Sammen med kardiologer udvikler vi et MR-billede-baseret læringssystem til at opdage den sjældne, men vigtige sygdom hjerteamyloidose."

© 2018 Medical Xpress