白癜风会传染吗 https://m.39.net/pf/a_7043378.html人工智能在抗菌药物管理方面的应用有助于促进抗菌药物合理使用，遏制细菌耐药性的发生。医院信息系统（HospitalInformationSystem，HIS）机器学习临床决策支持系统（MachineLearning-ClinicalDecisionSupportSystems，ML-CDSS）数据来源广泛稳定；克服基于知识的决策支持系统知识来源局限性的限制，在既往数据的基础上，通过学习策略和算法构建新的规则，辅助临床决策。近年来，国内外关于这个系统在抗菌药物管理方面的研究较多。系统总结了基于HIS的ML-CDSS在抗菌药物管理方面的工作概况，包括工作流程、数据提取过程和用户界面，及国内外近年来该系统在抗菌药物监控和优化抗感染治疗方案的应用，以期为临床实践提供参考。
细菌耐药性是一个日益严重的公共卫生问题，若不采取行动，到年，细菌耐药性可能造成全球年万人死亡。信息技术的进步有助于改善抗菌药物的管理。机器学习临床决策支持系统（MachineLearning-ClinicalDecisionSupportSystems，ML-CDSS）以结构化数据为基础，从已有的经验中学习规则，获得对新数据的识别和预测能力，协助临床决策。其克服了知识库型系统知识来源有限和缺乏结合患者临床特征综合评估的局限性，目前已经广泛应用于医学领域，包括疾病的诊断和治疗等。医院信息系统（HospitalInformationSystem，HIS）是医疗数据的主要来源之一。基于HIS的ML-CDSS数据来源相对稳定、广泛和易得，其近年来开始逐渐应用于抗菌药物管理。本文综述了近年来国内外基于HIS的ML-CDSS在抗菌药物管理方面相关研究，包括抗菌药物用药监控分析和抗感染治疗方案的优化。
基于HIS的ML-CDSS在抗菌药物管理方面的工作概况
ML-CDSS在抗菌药物管理的基本工作流程如图1所示。获取HIS中的数据，基于学习策略和算法，自动创建规则，综合患者的临床特征，提供最佳的抗菌药物治疗方案供选择；也可智能统计和导出抗菌药物监控数据。其学习策略主要是统计机器学习，基于对数据的初步认识以及学习目的的分析，选择合适的数学模型，拟定超参数，并输入样本数据，运用合适的学习算法对模型进行训练，最后运用训练好的模型对数据进行分析预测。数据提取的具体过程和分析工作流程如图2所示。
图1ML-CDSS在抗菌药物管理方面的工作流程图2基于HIS的ML-CDSS数据提取过程
机器学习方式主要有监督学习、无监督学习和强化学习三种，在抗菌药物管理方面常用的是监督学习的方法，即使用标记数据作为训练数据集的算法。标记数据是定义目标结果的数据。然后，算法将选择最好的模型来预测结果。监督学习常用的算法包括回归、支持向量机、随机森林和梯度增强决策树等。
最后，终端输出部分可与数据库连接，形成交互式图形用户界面，同时展示患者状态、重要的生命体征、既往病史和ML-CDSS推荐的治疗方案等。以脓毒血症抗感染治疗方案优化为例用户界面如图3。
图3脓毒血症抗感染治疗方案优化用户界面
国内基于HIS的ML-CDSS在抗菌药物管理的应用
抗菌药物监控近10年来，我国基于HIS的ML-CDSS在抗菌药物监控方面的应用包括数据挖掘、评价模型和智能决策技术等。
围术期抗菌药物预防性使用率方面，傅翔等利用HIS中剖宫产患者的用药、诊断、手术等数据，采用决策树、贝叶斯网络和Logistic模型建立分类模型（准确度分别为91.6%、85.9%和91.1%），医院剖宫产术围术期抗菌药物预防性使用的影响因素。朱立强等基于HIS，应用支持向量机法建立Ⅰ类切口使用抗菌药物的评价模型（灵敏度.0%），显著提高了处方点评比例，降低了抗菌药物预防使用率。
门诊抗菌药物管理方面，韩蓉等采用自主研发的软件抽取、清理、转换数据，装载入库，通过设置最小支持度和可信度，得到关联规则，对医院门诊用药情况进行合理性分析，减轻患者经济负担。
更多的ML-CDSS医院内部抗菌药物合理使用监控。以电子病历和门诊、住院收费系统为数据来源，定期自动收集患者基本资料、诊断、病理、手术、医嘱、费用和医生及科室等信息，采用交叉索引技术、Prodiver系统、数据仓库技术、免疫遗传算法、长短期记忆网络模型和SQL查询程序等，将病历数据向量化，对数据进行多层抽象的算法，实现了抗菌药物用药监控的实时化、常规化和信息化。
优化抗菌药物治疗方案良好的抗菌药物管理的定义为选择适当的药物，并优化其剂量和疗程来治疗感染，同时尽量减少不良反应和耐药性产生。ML-CDSS在国内主要通过对抗生素耐药性和疗效及致病菌等的预测，辅助优化抗菌药物治疗方案。
通过对耐药性的预测，反过来指导抗菌药物的选择。李丽等采用回归与时序算法建立大肠埃希菌头孢呋辛耐药趋势预测模型，对临床经验性选择抗感染治疗方案起一定的参考作用。
对菌型的预测缩小了抗菌药物的选择范围。陈秀娟等依据HIS中重症医疗数据，用极端梯度提升（extremegradientboosting，XGBoost）算法构建脓毒症早期的G+菌、G-菌预测模型（灵敏度83.0%，准确率85.0%），降低抗菌药物错用风险。
对抗菌药物疗效的预测，可提高疾病治愈率。许娟娟等基于两个院区新冠肺炎重症患者的诊疗数据，采用随机森林算法构建新冠肺炎典型药物疗效预测模型（准确率91.2%），预测莫西沙星在新冠肺炎治疗中非主导药物，辅助治疗方案的制定。
国外基于HIS的ML-CDSS在抗菌药物管理的应用
抗菌药物监控与国内相同，近10年来，Pubmed以抗菌药物管理为主题的文章数量显著增多：从年的篇/年到年的篇/年。ML-CDSS的使用显著提高了不适当用药的识别能力，包括门急诊处方和住院医嘱两方面。
Kanjilal等基于HIS的数据，采用回归算法，构建了门诊非复杂性尿路感染（urinarytractinfection，UTI）常用抗菌药物呋喃妥因（AUC0.56，95%CI0.53～0.59）和左氧氟沙星（AUC0.64，95%CI0.60～0.68）等敏感性的预测模型，并通过设置阈值开发了决策算法，使—年UTI二线抗生素的使用减少了67.0%。Timothy等构建了基于案例推理算法的模型并应用于急诊，其推荐的抗菌药物抗菌谱指数显著小于既往两年临床经验性选用的抗菌药物。
住院患者广谱抗菌药物使用方面，Ed等基于HIS数据，采用XGBoost算法构建模型预测阿莫西林克拉维酸和哌拉西林他唑巴坦对血液或尿液中分离出的大肠埃希菌、肺炎克雷伯菌和铜绿假单胞菌的耐药性，减少了40.0%非必要广谱抗菌药物的使用。Rachel等从HIS中提取数据，采用回归（AUC0.73，95%CI0.69～0.77）和增强树（AUC0.75，95%CI0.72～0.79）算法构建模型，有效预测了需要干预的使用广谱抗菌药物住院患者。
优化抗菌药物治疗方案目前国外报道ML-CDSS的应用包括预测耐药性辅助选择抗菌药物、直接指导经验性抗菌药物的选择和预测初始经验性抗感染疗程等。
Yelin等基于患者的人口统计资料、临床病史和既往用药史，采用逻辑回归和梯度增强决策树算法构建模型预测尿路感染常用6种抗菌药物（复方磺胺甲恶唑、头孢氨苄等）的耐药性，并通过决策算法为患者提供个体化与耐药性结果匹配的抗菌药物建议，匹配正确率达95.0%。另一项以色列的研究预测住院患者对头孢他啶、庆大霉素和亚胺培南等的耐药性，间接辅助临床选用抗菌药物。
直接指导经验性抗感染方案常见重症监护室（IntensiveCareUnit，ICU）脓毒血症抗感染治疗药物的选择，包括儿童和成人。ICU的多参数智能监测仪器（MultiparameterIntelligentMonitoringinIntensiveCare，MIMIC）为ML-CDSS提供可反复使用的数据。Hu等采用新生儿ICU的生命体征数据（包括心率、呼吸频率和血氧饱和度），构建回归和支持向量机等多种算法的预测模型，协助迟发性脓毒血症患儿的抗感染治疗。Feretzakis等根据标本来源和假定的感染部位、病原体的革兰氏染色和既往的药敏数据，开发了基于多层认知算法的ML-CDSS，预测抗菌药物敏感性的准确率达72.6%。
抗感染疗程过长，可能增加细菌耐药和药物不良反应发生的风险。Eickelberg等基于MIMIC的数据，主要收集ICU经验抗感染治疗24h、48h和72h的临床数据，构建了提升决策树算法的ML-CDSS（阴性预测率93.0%），协助辨别可以在经验抗感染治疗24h后停止抗感染治疗的低危细菌感染患者，缩短了经验性抗感染疗程。
小结
综合以上研究，目前国内外基于HIS的ML-CDSS在抗菌药物管理方面的应用虽然仍处于起步阶段，但灵敏度（90%）和准确率（70%）均较高。其良好的临床获益，国内主要表现在促进抗菌药物合理使用，国外则偏向于协助优化抗菌药物治疗方案。然而，ML-CDSS的构建和应用依赖于高质量稳定的数据，在信息化发展相对滞后地区其应用价值有限，因此也可能导致医疗不平等的潜在增加。另一方面，来自HIS的数据通常是低维度的，存在潜在偏倚抽样，影响其辅助抗菌药物管理的可靠性。对改善患者抗感染治疗临床结局的作用尚需要更多的基于长期随访的证据。而如何将其有效地整合到临床抗感染工作流程中是基于HIS的ML-CDSS推广应用的关键，但由于跨专业限制，医生难以很好地理解算法构建和输出数据的意义，这种“黑盒”性质可能会阻碍其应用。这些方面需要包括医生、临床药师、计算机工程师和数据管理人员等的团队合作，进一步探索和开展深入研究，从而真正实现其对抗菌药物管理的临床决策支持。
新媒体部邮箱：
newmedia
zgszyx.org
扫描
