論文の概要: Machine learning techniques to identify antibiotic resistance in
patients diagnosed with various skin and soft tissue infections
- arxiv url: http://arxiv.org/abs/2202.13496v1
- Date: Mon, 28 Feb 2022 01:08:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 14:19:39.166276
- Title: Machine learning techniques to identify antibiotic resistance in
patients diagnosed with various skin and soft tissue infections
- Title（参考訳）: 各種皮膚および軟部組織感染症患者における抗生物質耐性の機械学習による同定
- Authors: Farnaz H. Foomani, Shahzad Mirza, Sahjid Mukhida, Kannuri Sriram,
Zeyun Yu, Aayush Gupta, and Sandeep Gopalakrishnan
- Abstract要約: 皮膚および軟部組織感染症(SSTIs)は、最も頻度の高い疾患の1つである。
多様な細菌性病原体の抗生物質に対する耐性は、重篤なSSTIの重大な原因である。
我々は、抗生物質感受性試験データを用いて、抗菌性を予測する機械学習(ML)モデルを開発した。
- 参考スコア（独自算出の注目度）: 1.897172519574925
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Skin and soft tissue infections (SSTIs) are among the most frequently
observed diseases in ambulatory and hospital settings. Resistance of diverse
bacterial pathogens to antibiotics is a significant cause of severe SSTIs, and
treatment failure results in morbidity, mortality, and increased cost of
hospitalization. Therefore, antimicrobial surveillance is essential to predict
antibiotic resistance trends and monitor the results of medical interventions.
To address this, we developed machine learning (ML) models (deep and
conventional algorithms) to predict antimicrobial resistance using antibiotic
susceptibility testing (ABST) data collected from patients clinically diagnosed
with primary and secondary pyoderma over a period of one year. We trained an
individual ML algorithm on each antimicrobial family to determine whether a
Gram-Positive Cocci (GPC) or Gram-Negative Bacilli (GNB) bacteria will resist
the corresponding antibiotic. For this purpose, clinical and demographic
features from the patient and data from ABST were employed in training. We
achieved an Area Under the Curve (AUC) of 0.68-0.98 in GPC and 0.56-0.93 in GNB
bacteria, depending on the antimicrobial family. We also conducted a
correlation analysis to determine the linear relationship between each feature
and antimicrobial families in different bacteria. ML techniques suggest that a
predictable nonlinear relationship exists between patients'
clinical-demographic characteristics and antibiotic resistance; however, the
accuracy of this prediction depends on the type of the antimicrobial family.
- Abstract（参考訳）: 皮膚および軟部組織感染症(SSTIs)は、最も頻度の高い疾患の1つである。
多様な細菌性病原体の抗生物質に対する耐性は重篤なSSTIの重大な原因であり、治療失敗は死亡率、死亡率、入院費用の増加をもたらす。
したがって、抗生物質耐性の傾向を予測し、医療介入の結果を監視するためには、抗菌監視が不可欠である。
そこで本研究では, 臨床診断患者から採取した薬剤感受性試験(ABST)データを用いて, 1年間の抗菌抵抗を予測するための機械学習モデル(深部および従来のアルゴリズム)を開発した。
我々は,グラム陽性菌 (GPC) とグラム陰性菌 (GNB) が対応する抗生物質に抵抗するかどうかを判定するために, 各抗菌系で個別のMLアルゴリズムを訓練した。
この目的で,臨床および統計学的特徴とABSTのデータを用いてトレーニングを行った。
また,gpcでは0.68-0.98,gnb菌では0.56-0.93であった。
また,各種細菌における各特徴と抗菌ファミリーの線形関係を解析するために相関解析を行った。
ML法は, 患者の臨床症状と薬剤耐性との間には, 予測可能な非線形関係があることを示唆するが, この予測の精度は抗菌ファミリーの種類によって異なる。
関連論文リスト
- Classification of Keratitis from Eye Corneal Photographs using Deep Learning [2.5633724723473352]
角膜炎は、低所得国と中所得国(LMIC)の視覚障害の10%を占める炎症性角膜疾患である
本研究では,感染源を診断するための異なる深層学習手法について検討し,比較した。
我々は,Multitask V2において,0.7413-0.7740(バクテリア),0.8395-0.8725(ファンギ),0.9448-0.9616(アメーバ)のレシーバ動作特性曲線 (AUROC) の信頼区間で最高の結果を得た。
論文 参考訳（メタデータ） (2024-11-13T10:58:39Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Differentiating Viral and Bacterial Infections: A Machine Learning Model Based on Routine Blood Test Values [0.0]
Virus vs.bacteriuma"モデルは、機械学習を活用して感染管理を最適化し、高度な診断ツールの道を開く。
このモデルは精度82.2 %、感度79.7 %、特異度84.5 %、ブライアスコア0.129、ROC曲線0.905の領域を達成し、CRPベースの決定規則を上回った。
論文 参考訳（メタデータ） (2023-05-13T09:18:51Z) - Spatial-Temporal Networks for Antibiogram Pattern Prediction [30.552245946539994]
抗生剤は、臨床医が地域抵抗率を理解し、処方薬で適切な抗生物質を選択するのに役立つ。
実際には、抗生物質耐性の顕著な組み合わせは、異なるアンチバイオグラムに現れ、アンチバイオグラムパターンを形成する。
本稿では,今後どのようなパターンが現れるかを予測することを目的とした,新しいアンチバイオグラムパターン予測法を提案する。
論文 参考訳（メタデータ） (2023-05-02T20:01:48Z) - Joint Application of the Target Trial Causal Framework and Machine
Learning Modeling to Optimize Antibiotic Therapy: Use Case on Acute Bacterial
Skin and Skin Structure Infections due to Methicillin-resistant
Staphylococcus aureus [5.611469725376418]
メチシリン耐性黄色ブドウ球菌(MRSA)による急性細菌性皮膚・皮膚構造感染症(ABSSSI)の死亡予測とITE推定の機械学習モデルを開発した。
まず、確率スコアマッチングを用いて臨床試験をエミュレートし、ランダム化された治療データセット(バンコマイシンと他の抗生物質)を作成します。
次に、このデータを用いて様々な機械学習手法(強化/LASSOロジスティック回帰、サポートベクターマシン、ランダムフォレストなど)を訓練し、ブートストラップ検証により受信特性(AUC)の下の領域で最適なモデルを選択する。
論文 参考訳（メタデータ） (2022-07-15T13:08:15Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Predicting Antimicrobial Resistance in the Intensive Care Unit [5.129856875153228]
本研究は,臨床および微生物学的予測器を用いたAMRの予測モデルを開発する。
培養前の抵抗を正確に予測できる能力は、臨床的な意思決定を知らせ、行動までの時間を短縮する可能性がある。
論文 参考訳（メタデータ） (2021-11-05T15:50:34Z) - Personalized pathology test for Cardio-vascular disease: Approximate
Bayesian computation with discriminative summary statistics learning [48.7576911714538]
近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。
この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
論文 参考訳（メタデータ） (2020-10-13T15:20:21Z) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳（メタデータ） (2020-05-22T15:57:58Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳（メタデータ） (2020-05-07T16:13:12Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。