[ad_1]
Dans une étude récente publiée dans npj Antimicrobiens et résistance, Les chercheurs ont développé et validé des algorithmes d’apprentissage automatique (ML) interprétables qui prédisent la résistance aux antibiotiques dans les infections compliquées des voies urinaires (IVU), améliorent la prise de décision clinique et favorisent les traitements personnalisés.
Étude: Aide à la décision interprétable basée sur l’apprentissage automatique pour prédire la résistance aux antibiotiques dans les infections compliquées des voies urinaires. Source de l’image : LALAKA/Shutterstock.com
arrière-plan
L’augmentation de la résistance aux antimicrobiens (RAM) met en péril l’efficacité des traitements antibiotiques et conduit à d’éventuels échecs thérapeutiques. Bien que les nouveaux antibiotiques soient essentiels, leur développement est entravé par des coûts élevés, des restrictions réglementaires et la réduction des investissements des grandes sociétés pharmaceutiques.
Cela limite la recherche sur les antibiotiques et une dépendance excessive à l’égard des thérapies à large spectre en raison de la RAM pourrait conduire à davantage de résistance.
Compte tenu de la menace croissante de la RAM et de la réduction de la recherche et du développement (R&D) sur les antibiotiques par les grandes sociétés pharmaceutiques, il est nécessaire de poursuivre les recherches sur des outils tels que le ML interprétable pour prédire la résistance et orienter les traitements efficaces contre des maladies telles que les infections des voies urinaires.
À propos de l’étude
Les modèles ont été développés à l’aide de l’ensemble de données AMR-UTI, une ressource publique contenant des informations sur plus de 80 000 patients atteints d’infections des voies urinaires du Massachusetts General Hospital (MGH) et du Brigham & Women’s Hospital (BWH) entre 2007 et 2016.
Cet ensemble de données se concentrait principalement sur les patients présentant des infections urinaires potentiellement compliquées et comprenait un total de 101 096 échantillons. Elle incluait également des patients qui ne répondaient pas aux critères d’une étude précédente axée sur les infections urinaires non compliquées.
Les échantillons de cette étude représentaient un groupe diversifié de patients présentant différents complexes infectieux nécessitant différents traitements antibiotiques.
Par souci de cohérence avec les recherches précédentes, les chercheurs ont utilisé une structure de données et une technique de filtrage similaires, et chaque point de données était constitué d’échantillons d’urine analysés pour la RAM avec des détails tels que le profil de sensibilité aux antimicrobiens, les caractéristiques des échantillons précédents pour la prédiction de la RAM et des informations de base sur les patients.
Les données brutes ont ensuite été divisées en trois groupes en fonction de la catégorie « sensible » (S), les catégories intermédiaire (I) et résistante (R) étant traitées comme résistantes. Le DSE a fourni des données supplémentaires sur les patients, notamment l’utilisation antérieure d’antibiotiques, les infections, les procédures et d’autres données cliniques pertinentes. Aucune information n’a cependant été fournie sur la posologie, la durée du traitement et les contacts des patients en dehors des deux hôpitaux.
Toutes les variables catégorielles de l’ensemble de données ont été converties dans un format adapté au traitement informatique, ce qui a donné 787 caractéristiques. Alors que la plupart des caractéristiques étaient binaires, les données manquantes étaient représentées par un zéro.
L’ensemble de données a été divisé en fonction de la durée de formation du modèle et de la durée des tests : données de 2007 à 2013 pour la formation et de 2014 à 2016 pour les tests. De plus, l’ensemble de données utilisait une classification binaire de la race, « blanche » ou « non blanche », bien que cette approche ait été identifiée comme potentiellement perpétuante de biais.
L’ensemble de données n’a pas pu déterminer si les patients présentaient des affections telles qu’une bactériurie asymptomatique (ASB), qui pourraient influencer les résultats de l’étude.
L’équipe a utilisé divers modèles ML pour prédire la résistance à des antibiotiques spécifiques et comparé leurs performances à l’aide de mesures telles que la sensibilité, la spécificité et l’aire sous la courbe. Pour garantir des performances optimales, les modèles ont subi une optimisation des hyperparamètres et un réglage des seuils.
Résultats de l’étude
Dans la présente étude, les cohortes de patients, y compris les ensembles de formation, de validation et de test, avaient un âge médian de 64 ans, avec environ 72,9 % d’entre eux s’identifiant comme blancs. Cela contrastait avec une cohorte d’infections urinaires non compliquées composée entièrement de femmes d’un âge médian de 32 ans.
Les données sur le sexe des patients présentant une infection compliquée des voies urinaires étaient manquantes et davantage de patients du groupe test présentant une infection complexe des voies urinaires se sont rendus au service des urgences.
La résistance aux antibiotiques tels que les fluoroquinolones était conforme aux estimations de 2012 aux États-Unis, qui n’avaient pas d’antécédents récents d’infections résistantes aux médicaments. Des modèles prédictifs tels que TabNet et XGBoost ont été formés sur des données de 2007 à 2013 et testés sur des diagnostics de 2014 à 2016.
Les modèles ont montré une meilleure précision de prédiction pour les antibiotiques de deuxième intention que pour les antibiotiques de première intention. XGBoost excellait dans la prédiction de résistance parmi tous les modèles, mais ses performances ont été considérablement améliorées lorsque TabNet a été pré-entraîné à l’aide de techniques auto-supervisées. L’efficacité des modèles a également été confirmée par des résultats de validation cohérents sur une cohorte indépendante.
En raison d’incertitudes concernant la documentation sur la race et l’origine ethnique, l’étude a mené une expérience supplémentaire qui a omis cette fonctionnalité et a utilisé le modèle XGBoost. Les résultats de cette expérience étaient cohérents avec les modèles originaux qui incluaient la race et l’origine ethnique.
De manière encourageante, ces résultats mettent en évidence le potentiel de l’utilisation de modèles pour détecter la résistance aux antibiotiques dans des échantillons compliqués d’infections des voies urinaires au niveau de chaque patient. Les modèles ont également démontré leur adaptabilité lorsqu’ils sont appliqués à des échantillons d’infections urinaires non compliquées.
En outre, les modèles pourraient fournir des informations sur les facteurs cruciaux pour déterminer la résistance. Dans tous les modèles, la résistance et l’exposition antérieures aux antibiotiques ont été systématiquement soulignées comme des facteurs critiques. Facteurs tels que des infections antérieures des voies urinaires, surtout si des agents pathogènes sont présents E. coli indiquent également une résistance.
De plus, des maladies comorbides telles que la paralysie et des problèmes rénaux sont survenues avec tous les antibiotiques et modèles. La recherche a également révélé que certains traits influençaient de manière significative l’exactitude des prédictions, la résistance antérieure aux antibiotiques ayant le plus grand impact.
[ad_2]
Source