Aprendizaje automático para la predicción de la resistencia microbiana
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1264Palabras clave:
Unidades de Cuidados Intensivos, Aprendizaje Automático, Farmacorresistencia MicrobianaResumen
La resistencia a los antibióticos representa una preocupación significativa para la salud global, especialmente en unidades de cuidados intensivos (UCI), donde el diagnóstico rápido es esencial. Objetivo del estudio: Probar algoritmos de aprendizaje automático para predecir la resistencia bacteriana en UCI; Métodos: Se extrajeron factores como la edad, el género, el tipo de muestra, el antibiótico probado y la tinción de Gram de las bacterias de la base de datos MIMIC-III y se utilizaron para entrenar seis modelos de aprendizaje automático. Resultados: El Extreme Gradient Boosting mostró la mayor precisión en la predicción, con un 84,53%. Conclusión: el aprendizaje automático podría ofrecer una solución para la detección temprana de la resistencia a los antibióticos, mejorando así el cuidado del paciente y el manejo de los antibióticos.
Citas
IACG. No Time To Wait: Securing the Future From Drug-Resistant Infections Report To the Secretary-General of the United Nations [Internet]. World Health Organization. 2019. Available from: https://www.who.int/antimicrobial-resistance/interagency-coordination- group/IACG_final_report_EN.pdf?ua=1
Murray CJ, Ikuta KS, Sharara F, Swetschinski L, Robles Aguilar G, Gray A, et al. Global burden of bacterial antimicrobial resistance in 2019: a systematic analysis. Lancet [Internet]. 2022 Feb 12 [cited 2022 Sep 10];399(10325):629–55. Available from: http://www.thelancet.com/article/S0140673621027240/fulltext
March-Rosselló GA. Rapid methods for detection of bacterial resistance to antibiotics. Enfermedades Infecc y Microbiol Clínica (English Ed [Internet]. 2017 Mar 1 [cited 2022 Sep 10];35(3):182–8. Available from: https://www.elsevier.es/en-revista-enfermedades- infecciosas-microbiologia-clinica-english-428-articulo-rapid-methods-for-detection- bacterial-S2529993X17300606
Evans L, Rhodes A, Alhazzani W, Antonelli M, Coopersmith CM, French C, et al. Surviving Sepsis Campaign: International Guidelines for Management of Sepsis and Septic Shock 2021. Crit Care Med [Internet]. 2021 Nov 1 [cited 2022 Sep 10];49(11):E1063–143. Available from: https://journals.lww.com/ccmjournal/Fulltext/2021/11000/Surviving_Sepsis_Campaign I nternational.21.aspx
Anahtar MN, Yang JH, Kanjilal S. Applications of Machine Learning to the Problem of Antimicrobial Resistance: an Emerging Model for Translational Research. J Clin Microbiol [Internet]. 2021 Jun 18 [cited 2022 Apr 15];59(7):e0126020. Available from: https://journals.asm.org/journal/jcm
Feretzakis G, Sakagianni A, Loupelis E, Kalles D, Skarmoutsou N, Martsoukou M, et al. Machine Learning for Antibiotic Resistance Prediction: A Prototype Using Off-the-Shelf Techniques and Entry-Level Data to Guide Empiric Antimicrobial Therapy. Healthc Inform Res [Internet]. 2021 Jul 1 [cited 2022 Apr 16];27(3):214. Available from:
/pmc/articles/PMC8369050/
Feretzakis G, Loupelis E, Sakagianni A, Kalles D, Martsoukou M, Lada M, et al. Using Machine Learning Techniques to Aid Empirical Antibiotic Therapy Decisions in the Intensive Care Unit of a General Hospital in Greece. Antibiot 2020, Vol 9, Page 50
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
