«Несмотря на значительные усилия по предотвращению инфекции C. difficile и раннему лечению после постановки диагноза, уровень инфицирования продолжает расти», — говорит Эрика Шеной, доктор медицинских наук, из отдела инфекционных заболеваний MGH, соавтор исследования и доцент медицины Гарвардской медицинской школы. «Нам нужны более совершенные инструменты для выявления пациентов с самым высоким риском, чтобы мы могли нацелить как профилактические, так и лечебные мероприятия, чтобы снизить дальнейшую передачу и улучшить результаты лечения пациентов».Авторы отмечают, что большинство предыдущих моделей риска инфицирования C. difficile были разработаны как подходы «под одну гребенку» и включали лишь несколько факторов риска, что ограничивало их полезность.
Соавторы Джихе О, аспирант UM в области компьютерных наук и инженерии, и Мэгги Макар, магистр, из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института, и их коллеги использовали подход «больших данных», который анализировал всю электронную медицинскую карту (EHR). ) для прогнозирования риска развития C. difficile у пациента на протяжении всего периода госпитализации. Их метод позволяет разрабатывать модели для конкретных учреждений, которые могут учитывать разные группы пациентов, разные системы EHR и факторы, характерные для каждого учреждения.
"Когда данные просто объединяются в единую модель, подходящую для всех, институциональные различия в группах пациентов, схемах больниц, протоколах тестирования и лечения или даже в способах взаимодействия персонала с ЭУЗ могут привести к различиям в базовом распределении данных. и, в конечном итоге, к плохой работе такой модели », — говорит Дженна Винс, доктор философии, доцент кафедры компьютерных наук и инженерии UM и соавтор исследования. «Чтобы смягчить эти проблемы, мы применяем подход, ориентированный на конкретную больницу, обучая модели, адаптированной к каждому учреждению».Используя свою модель, основанную на машинном обучении, исследователи проанализировали деидентифицированные данные — включая демографические данные и историю болезни отдельных пациентов, подробности их госпитализации и ежедневной госпитализации, а также вероятность контакта с C. difficile — из электронных медицинских записей почти каждого пациента. 257 000 пациентов поступили в MGH или Michigan Medicine — академический медицинский центр UM — в течение двух и шести лет соответственно. Модель генерировала ежедневные оценки риска для каждого отдельного пациента, которые при превышении установленного порогового значения классифицируют пациентов как группы высокого риска.
В целом, модели оказались весьма успешными в прогнозировании того, у каких пациентов в конечном итоге будет диагностирован C. difficile. У половины инфицированных можно было сделать точные прогнозы по крайней мере за пять дней до сбора диагностических проб, что позволило бы пациентам с самым высоким риском быть в центре внимания целенаправленных противомикробных вмешательств.
Если оценка будет подтверждена в проспективных исследованиях, она может служить ориентиром для раннего скрининга на C. difficile. Для пациентов, у которых диагностирован ранее заболевание, начало лечения могло ограничить тяжесть заболевания, а пациенты с подтвержденным C. difficile могли быть изолированы и были приняты меры предосторожности при контакте для предотвращения передачи инфекции другим пациентам.Исследовательская группа предоставила здесь бесплатный доступ к программному обеспечению алгоритма, чтобы другие пользователи могли просматривать его и адаптировать для своих индивидуальных учреждений. Шеной отмечает, что учреждениям, которые исследуют применение аналогичных алгоритмов в своих учреждениях, необходимо будет собрать соответствующих местных экспертов в предметной области и проверить эффективность моделей в своих учреждениях.
Соавтор исследования Винсент Янг, доктор медицинских наук, профессор Уильяма Генри Фицбутлера из отделения внутренней медицины UM, добавляет: «Это представляет собой потенциально значительный прогресс в нашей способности выявлять и в конечном итоге принимать меры для предотвращения заражения C. difficile. Возможность выявлять пациентов из группы наибольшего риска может позволить нам сосредоточить дорогостоящие и потенциально ограниченные методы профилактики на тех, кто получит наибольшую потенциальную выгоду. Я думаю, что этот проект является отличным примером подхода «командной науки» к решению сложных биомедицинских вопросов. для улучшения здравоохранения, которого я ожидаю увидеть больше, когда мы вступаем в эру точного здравоохранения ".