A machine learning approach to predict healthcare-associated infections at intensive care unit admission: findings from the SPIN-UTI project

M. Barchitta*, A. Maugeri, G. Favara, P.M. Riela, G. Gallo, I. Mura, A. Agodi, on behalf of the SPIN-UTI Network

*University of Catania, Italy

Journal of Hospital Infection (2021) 112, 77-86

背景

集中治療室（ICU）において医療関連感染症（HAI）のリスクがより高い患者を同定することは、公衆衛生にとって重要な課題である。機械学習により、患者のリスク層別化が改善され、目標を絞った感染予防・制御介入につながる可能性がある。

目的

ICU における HAI リスクの予測を目的としたSimplified Acute Physiology Score（SAPS）IIの性能を、従来の統計学的アプローチと機械学習アプローチの両方を用いて評価すること。

方法

本研究では、Italian Nosocomial Infections Surveillance in Intensive Care Units プロジェクトから患者7,827例のデータを用いた。Support Vector Machines（SVM）アルゴリズムを適用して、性別、患者の搬送元、急性冠動脈疾患に対する非外科的治療、外科的介入、入室時の SAPS II、侵襲的デバイスの存在、外傷、免疫不全、ならびに ICU 入室に先立つ 48 時間以内の抗菌薬療法に従って分類した。

結果

HAI リスクの予測における SAPS II の性能は、受信者動作特性曲線における曲線下面積が 0.612（P ＜ 0.001）、正確度が56％であった。SAPS II について、ICU 入室時の他の特性とともに検討した場合、検証セットについては SVM 分類子の正確度は 88％、AUC は 0.90（P ＜ 0.001）であった。SAPS II の変数を除去して同じ SVM モデルを検討した場合の予測能はより低かった（正確度 78％、AUC 0.66）。

結論

本研究から、SVM モデルは、ICU 入室時に HAI リスクが高い患者の早期予測において有用なツールであることが示唆された。

サマリー原文（英語）はこちら

監訳者コメント：

感染対策分野では、予後予測や耐性菌保有の予測、あるいは COVID-19 の可能性の予測など様々な予測や推定が行われる。この分野における機械学習や AI に期待するところは大きい。

Continuous exposure to Kaposi sarcoma-associated herpesvirus (KSHV) in healthcare workers does not result in KSHV infection

Changes in the incidence of candidaemia during 2000-2008 in a tertiary medical centre in northern Taiwan

Antibiotic use in two cohorts of German intensive care units

Electrolysis-assisted sonication for removal of proteinaceous contamination from surgical grade stainless steel

Stockpiled N95 respirator/surgical mask release beyond manufacturer-designated shelf-life: a French experience

D. Brun*, C. Curti, T. Mekideche, A. Benech, I. Hounliasso, E. Lamy, C. Castera, P. Rathelot, P. Vanelle
*Service Central de la Qualité et de I’Information Pharmaceutiques (SCQIP), France

Journal of Hospital Infection (2020) 106, 258-263