机器学习模型预测感染难治性肺结核

结核病仍然是全球十大主要死因之一出现了高达130万多起有报道的死亡人数为2020。抗药性的出现和传播疾病的复杂的控制结核病在许多设置。增加的挑战是治疗耐药结核病是困难的(2019年的成功率是57%),长期(治疗需要9-20个月),和多方面的(通常需要多个抗生素治疗有严重的副作用)。

一个关键类的抗生素治疗耐药结核病的氟喹诺酮类原料药,形成最耐药结核病治疗的支柱。然而,菌株的结核病已经进化成为耐氟喹诺酮类原料药,削弱治疗方案的疗效,包括类的抗生素。耐药结核病患者的最佳治疗方案是理想的决定通过药敏测试,表型上可以确定抗生素的疗效与一个特定的结核菌株。然而,这些测试是稀缺资源缺乏,高负担的设置,这意味着个体在这些地区不能接受专门的治疗,最好的治疗结核病。此外,即使他们是可用的,表型测试需要12周提供结果。

助理教授Reza Yaesoubi耶鲁大学公共卫生学院卫生政策和他的研究团队一直致力于模型预测耐氟喹诺酮类原料药,这可能会加速的过程中提供最佳的医疗服务。处理国家结核病数据收集在摩尔多瓦共和国,团队评估人口和临床因素能否被利用作为结核病耐氟喹诺酮类原料药的预测。他们发现信息,如年龄、地理位置、结核疾病是否新的或复发担任可靠预测阻力。从这个,然后创建了一个模型通过机器学习的概率估计病人感染结核菌株耐氟喹诺酮类。

“这些预测模型的主要优势之一是,他们可以部署在护理点允许临床医生优化治疗方案在等待药敏测试的结果,这可能需要12周,“Yaesoubi说。

不同于目前的策略治疗耐药结核病,其中最初假设对氟喹诺酮类原料药的易感性,Yaesoubi的模型占个人的环境如何影响耐氟喹诺酮类原料药的可能性时,应该使用替代抗生素(如delamanid)。

通过严格的分析和测试,研究人员发现,新模型有统计学上更高的净效益,指定适当的治疗耐药结核病患者。这些发现承诺一个系统,允许更好的治疗的结核病患者,Yaesoubi说。展望未来,他希望扩大模型之外的数据收集从摩尔多瓦共和国包括其他资源不足、高负担地区。

“我们计划调查如果类似的预测模型可以为其他重要开发类的抗生素和其他耐药结核病高负担国家,”他说。

这项研究发表在公共科学图书馆数字医疗。

参考:你的年代,过MH、Gunasekera KS等。预测耐氟喹诺酮类原料药rifampicin-resistant肺结核患者中使用机器学习方法。公共科学图书馆数字医疗。1 (6):e0000059。2022;doi:10.1371 / journal.pdig.0000059

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。