Med-MIMIC，持续分享MIMIC临床生信文献与思路解读，捕捉当下热点思路，感兴趣的老师可以点点关注~需要定制化分析的老师欢迎扫码联系~
文章标题：Affordable and real-time antimicrobial resistance prediction from multimodal electronic health records
中文标题：从多模式电子健康记录中经济实惠的实时抗菌素耐药性预测
发表期刊：Sci Rep .
发表时间：2024年7月
影响因子：3.8/Q2
抗菌素耐药性 （AMR） 的传播导致具有挑战性的并发症和人类生命和医疗资源的损失，如果问题得不到控制，未来恶化的可能性很高。从机器学习的角度来看，数据驱动的模型可以通过事先预测耐药性来帮助临床医生和微生物学家。我们的研究是利用深度学习 （DL） 技术和电子健康记录 （EHR） 中可用的多模态数据来预测 AMR 的首次尝试。
思路
在这项工作中，我们广泛利用和预处理 MIMIC-IV 数据库，为为 AMR 任务定制的时间不变数据和时间序列数据生成单独的结构化输入源。然后，多模式融合方法将两种模式与临床记录相结合，以根据抗生素或病原体确定耐药性。为了有效地预测 AMR，我们的方法为在临床实践中部署多模态 DL 技术奠定了基础，并利用现有的患者数据。
结果分析
1. 队列
我们的机器学习模型的预测可以在 时间 𝑛+𝑃提取，其中 P 在 （n， D） 中，D 是放电时间。我们注意到，稍后，我们将使用 T 作为预测结果的时间，因为这是从 MIMIC 数据集得出实验室顺序的时间。在临床环境中，只要有足够的患者数据用于模型，医疗保健提供者就可以在入院后的任何时间触发预测。
2. 数据探索
为了研究预测 AMR 的最合适方法，我们的研究考虑从两个角度分配耐药标签：感染相同病原体的患者和针对相同抗生素进行检测的患者。研究感染相同病原体的患者旨在了解病原体的耐药性强度是否可以为我们提供有关患者反应的有用结论。探索从观察数据集中这些抗生素或病原体的可用性开始。本研究的重点是铜绿假单胞菌，因为它考虑了 ICU 住院次数和不平衡率之间的权衡。根据抗生素和病原体的选择，我们使用 FIDDLE 创建单独的数据集，在创建标签时考虑每个因素。
3. 合并模态后的数据集
在对庆大霉素的研究期间，我们根据预测时间（𝑇=3、 𝑇=4和 𝑇=10）更多地关注其中的三个时间序列设置。为了了解多模态技术的效果，我们只对时不变数据、时间序列数据、文本数据以及所有三种模态运行了不同类型的模型。我们在属于 AMR 问题的几个数据集上进行了实验，这些数据集的预测时间和时间粒度具有不同的参数。
4. 基线模型
对于抗生素耐药性任务，我们主要使用数据集进行实验，其中包括对 MIMIC-IV 的庆大霉素抗生素进行药敏试验的患者。使用 MAGBERT 作为注意力机制，StarBert 实现了最高性能，AUROC 约为 0.69，AUPR 约为 0.16。
5. 融合机制的比较
相同的数据集用于评估融合模型的变化。结果如表 2 所示，包括注意力融合、张量融合和 MMIM 的结果。关于表 1 和表 2 中提到的结果的置信区间 （CI），我们发现庆大霉素 AUROC 的 CI 下限和上限约为 ±0.05，铜绿假单胞菌约为 ±0.03。
文章小结
我们的分析表明，时间序列数据预测时间的差异对模型的性能起着重要作用，因为它决定了数据集的大小和不平衡因素。今天为大家分享的文章纯公共数据挖掘+统计分析，就发到了一区！如果你也想在临床方向发高分文章，不妨试试这个省钱省事又省力的思路吧！
