כתבה
arXiv cs.LG ·
למידת מכונה לזיהוי סיכון ESBL לפני תרבית: מחקר 12-בתי חולים לקביעת תרופה אמפירית
Machine Learning for Pre-Culture ESBL Risk Stratification to Guide Empiric Antibiotic Selection: A 12-Hospital Study of Enterobacteriaceae Cultures
מודל למידת מכונה זיהה סיכון ESBL מפרטי EHR לפני תרבית. המחקר כלל 132,955 תרביות מ-72,217 חולים ב-12 בתי חולים. המודל הציג רגישות של 90% ו-95.8% NPV, וזיהה 307 תרביות נוספות שלא דרשו טיפול בקרבנמים.
תקציר מקורי באנגליתarXiv:2609.05970v1 Announce Type: new Abstract: Empiric antibiotic therapy for suspected ESBL-producing Enterobacteriaceae must be selected 48-72 hours before culture results, forcing clinicians to choose between undertreating resistant infections and overusing carbapenems that drive further resistance. We developed a cost-sensitive XGBoost model predicting an ESBL phenotype (resistance to ceftriaxone, ceftazidime, cefepime or piperacillin-tazobactam) at culture ordering using 45 pre-culture EHR features across 132,955 cultures from 72,217 patients at 12 hospitals (14.41% with the ESBL phenotype). Cultures were partitioned at the patient level. At 90% sensitivity, the model achieved 95.8% NPV, reducing post-test ESBL probability to 4.2%, a threshold that may support safe carbapenem-sparing
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית