mosr

使用可解释的机器学习来预测接受ICU的患者的血液感染和抗菌素耐药性：基于EHR数据的早期警报预测因子指导抗菌剂

医院感染和抗菌素耐药性（AMR）在全球范围内作为强大的医疗挑战。以实验室测试为指导，要解决这些问题，各种感染控制方案和个性化治疗策略，旨在检测血流感染（BSI）并评估AMR的潜力。在这项研究中，我们基于多目标符号回归（MOSR）引入了一种机器学习（ML）方法，这是一种进化方法，以一种以多目标的方式创建ML模型的形式，以克服标准单目标方法的限制。此方法利用入院后容易获得的临床数据，目的是预测BSI和AMR的存在。我们通过使用自然不平衡的现实世界数据和数据通过过度采样技术来进行比较，进一步评估了其性能。我们的发现表明，传统的ML模型在所有培训方案中均表现出低于标准的表现。相比之下，专门配置的MOSR也可以通过优化F1分数来最大程度地减少假否定因素，胜过其他ML算法，并始终如一地提供可靠的结果，而不论训练集平衡都以F1分数为单位。22和28比其他任何其他选择高。28。这项研究意味着在增强抗臭虫管理（AMS）策略方面的前进道路。值得注意的是，MOSR方法可以很容易地大规模实施，提供了一种新的ML工具，以找到受到有限数据可用性影响的这些关键医疗保健问题的解决方案。