במחקר שהתפרסם בכתב העת Journal of Hospital Infection בחנו מודל למידת מכונה לזיהוי נבדקים, המתגוררים באזור אנדמי של ESBL, שר נמצאים בסיכון נמוך להיות נשאים לזנים עמידים.
תכניות לשיפור טיפול אנטיביוטי (Antimicrobial Stewardship) מתמקדות בזיהוי נבדקים שזקוקים לטיפול מוכוון כנגד חיידקים העמידים למנעד רחב של אנטיביוטיקות (Extended Spectrum Beta-Lactamase). כלים להכללה (Rule-in) נחקרו ביסודיות באזורים עם שכיחות נמוכה של ESBL, אך כלים אלו אינם מספקים עבור אזורים עם שיעורים גבוהים של זיהומים עם חיידקי ESBL, מכיוון שמרבית הנבדקים יוכללו תחת כותרת זו.
מטרת מחקר זה הייתה לפתח כלי מבוסס למידת מכונה להוצאה (Rule-Out) של נבדקים שאינם זקוקים לטיפול כנגד ESBL, באזורים עם שכיחות גבוהה של חיידקים עמידים. החוקרים השתמשו בעץ קבלת החלטות עם הגברת גרדיינט לצורך אימון ואישוש מודל לניבוי סיכון לעמידות. לצורך כך השתמשו במידע על אודות 17,913 (45% ESBL) עם צמיחה של אסטריכיה קולי או קלבסיאלה פנאומוניה בתרביות שתן. החוקרים בחנו את העוצמה הניבויית של סדרת משתנים, באמצעות מבדק Shapley להערכת התרומה של כל משתנה.
תוצאות המחקר הדגימו כי המודל זיהה באופן מוצלח נבדקים עם סיכון נמוך לנשאות של ESBL באזורים אנדמיים (שטח תחת עקומה אופיינית למסווג של 0.72). כאשר המודל כוון לזהות 30% מהנבדקים עם הסיכון הנמוך ביותר, המודל סיפק ערך מנבא שלילי של מעל 0.74. עוד הודגם כי מודל עם שבע מאפייני קלט הינו יעיל כמעט כמו המודל המלא. מודל מופשט זה זמין בחופשיות דרך יישום רשת.
מסקנת החוקרים הייתה כי מחשבון סיכון לעמידות לאנטיביוטיקה יכולה לספק אסטרטגיית אי-הכללה לטיפול כנגד ESBL במטופלים מסויימים, גם באזורים אנדמיים ל-ESBL. המודל הודגם יעיל גם בהזנת מספר מצומצם של מאפיינים ועל כן ניתן לשימוש במתאר הקליני. בעידן בו רואים עליה משמעותית בשיעור הנבדקים עם ESBL, בו חלק מהמומחים קוראים לטיפול אמפירי קו-ראשון עם קרבפנמים עבור כלל הנבדקים החיים באזורים אנדמיים להמצאות ESBL, כלי זה מספק חלופה טובה וזמינה.
למקור:
