IF 16.6 Nature communications│通过公平可解释的机器学习个性化静脉至口服抗生素转换决策

配图：

总述：

抗菌素耐药性（Antimicrobial Resistance, AMR）和医疗保健相关感染是当前全球公共卫生面临的重大挑战。在这一背景下，合理使用抗微生物药物成为关键的预防策略，特别是在病患从静脉（IV）给药转向口服抗生素治疗的过程中。

然而，确定病人何时可以从IV治疗转为口服治疗既不简单，也缺乏标准化的准则，这增加了治疗的复杂性和风险。为了解决这一问题，研究人员开发了一个机器学习模型，旨在预测患者基于常规收集的临床参数何时可以安全地从IV转为口服治疗。研究人员的数据集包含了10,362个独特的重症监护病房（ICU）患者案例，通过对这些案例进行深入分析，研究人员确定了两个关键的信息特征集：一是临床参数，如生命体征、实验室测试结果和患者病史；二是与抗菌素使用相关的数据，包括药物类型、剂量和治疗持续时间。

研究人员的模型采用先进的机器学习算法，经过严格的训练和验证，最终在保留集上展现出了平均0.80（标准差0.01）的接收者操作特征曲线下面积（AUROC），这表明了模型在预测患者从IV转向口服抗生素治疗的适宜时机方面具有较高的准确性。此外，研究人员特别注重模型的公平性，确保预测不偏向于任何具有受保护特征的个体群体，例如年龄、性别或种族。为了增加模型的临床应用价值，研究人员采用了可解释性方法来生成直观的视觉解释。这使得临床医生能够更容易地理解模型的预测输出，并根据模型提供的指导做出更为明智的临床决策。这种可解释性是至关重要的，因为它为医生提供了必要的信心，以依赖模型的预测来指导实际的临床实践。

尽管研究人员的模型显示出了令人鼓舞的结果，但在将其应用于临床实践之前，对其安全性和有效性的前瞻性评价是必不可少的。这包括在不同的临床环境中进行验证，以确保模型的鲁棒性和适用性。同时，对于模型预测的影响和潜在的不利后果也需要进行全面的评估。

引用文献：Bolton, W.J., Wilson, R., Gilchrist, M. et al. Personalising intravenous to oral antibiotic switch decision making through fair interpretable machine learning. Nat Commun 15, 506 (2024). https://doi.org/10.1038/s41467-024-44740-2