論文の概要: Machine Learning for Pre-Culture ESBL Risk Stratification to Guide Empiric Antibiotic Selection: A 12-Hospital Study of Enterobacteriaceae Cultures

• arxiv url: http://arxiv.org/abs/2609.05970v1
• Date: Sat, 05 Sep 2026 08:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.173632
• Title: Machine Learning for Pre-Culture ESBL Risk Stratification to Guide Empiric Antibiotic Selection: A 12-Hospital Study of Enterobacteriaceae Cultures
• Title（参考訳）: 培養前ESBLリスクストラテフィケーションのための機械学習による経験的抗生物質選択のガイド:エンテロバクテリ科培養株の12-Hospital研究
• Abstract要約: 我々は,45の事前培養EHR機能を用いて,ESBL表現型を培養順に予測するコスト感受性モデルを開発した。 90%の感度で95.8%のNPVを達成し、テスト後のESBL確率は4.2%に低下した。
• 参考スコア（独自算出の注目度）: 0.5759786704638064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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 in non-ICU settings, while sparing 307 of every 1,000 cultures an unnecessary broad-spectrum course at the cost of 14 missed ESBL cases per 1,000. SHAP analysis identified prior ESBL colonization as the dominant predictor, ahead of prior organism burden and neighborhood deprivation; removing deprivation features caused minimal performance loss ($Δ\text{AUROC} = -0.020$), enabling equitable bedside deployment. Discrimination was unchanged under a strict IDSA ESBL-E definition (AUROC 0.766), with specimen type added as a predictor (0.764) and without any class-imbalance correction (0.762), and ranged from 0.71 to 0.78 across organism strata.
• Abstract（参考訳）: ESBL産生性エンテロバクテリ科(Enterobacteriaceae)を疑わしい抗生剤として48～72時間前に選択する必要がある。 本研究は,12病院72,217例(ESBL表現型14.41%)から132,955例の培養前EHR特徴を用いて,ESBL表現型(セフトリアキドン,セフタジイム,セフテピム,ピラシリン・タゾバクタム耐性)を予測する費用感受性XGBoostモデルを開発した。 文化は患者レベルで分断された。 90%の感度で、このモデルは95.8%のNPVを達成し、テスト後のESBL確率を4.2%に下げた。 SHAP分析により, ESBLのコロニー化は, 生物の負担や余剰量の減少に先立って, 優位な予測因子として同定され, 除去性能が低下し (Δ\text{AUROC} = -0.020$) , 均等なベッドサイド展開が可能となった。 識別は厳密なIDSA ESBL-E定義 (AUROC 0.766) の下で変化せず、標本型は予測子 (0.764) として追加され、クラス不均衡補正 (0.762) は行われなかった。

関連論文リスト

• Pre-AF 13: An Interpretable Atrial Fibrillation Risk Score Mined from Discharge Reports [35.15225826613469]
  心房細動 (AF) は心臓不整脈で最も多く、予後の決定因子である。 CVD患者のAFリスクを24カ月間予測する解釈可能なMLモデルを構築した。 45,000人の患者の80,576件の記録のうち、17,562件が包括的基準を満たし、1,438件(8.19%)がAFを開発した。
  論文  参考訳（メタデータ） (2026-06-09T11:33:46Z)
• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Methodology for Comparing Machine Learning Algorithms for Survival Analysis [55.65997641180011]
  生存分析のための6つの機械学習モデルを評価した。 XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532、GBSAとRCF)を達成した。
  論文  参考訳（メタデータ） (2025-10-28T14:42:28Z)
• TBBC: Predict True Bacteraemia in Blood Cultures via Deep Learning [0.0]
  バクテリア血症(Bacteraemia)は、高い死亡率と死亡率を持つ血流感染症であり、重要な診断上の課題である。 この論文は、細菌性貧血を予測するための最適な機械学習技術を特定し、セント・アントニウス病院の救急部門のデータを用いて予測モデルを開発することを目的としている。
  論文  参考訳（メタデータ） (2024-10-25T05:25:01Z)
• 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)
• Clinical Characteristics and Laboratory Biomarkers in ICU-admitted Septic Patients with and without Bacteremia [7.152311859951986]
  本研究では,細菌の予測モデルを最適化するために,実験室バイオマーカーの予測力を評価した。 真菌血症48例の計218例について検討した。
  論文  参考訳（メタデータ） (2023-11-14T06:44:26Z)
• 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)

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。