Comparative analysis of machine learning models for predicting hospital- and community-associated urinary tract infections using demographic, hospital, and socioeconomic predictors

A. Arjmand*, M. Bani-Yaghoub, G. Sutkin, K. Corkran, S. Paschal
*University of Missouri–Kansas City, USA

Journal of Hospital Infection (2025) 162, 263-271

背景

市中関連尿路感染症（community-associated urinary tract infection；CA-UTI）と医療関連尿路感染症（healthcare-associated urinary tract infection；HA-UTI）を区別することは、両感染症の疫学の理解、リスク因子の特定、および適切な治療戦略の開発に不可欠である。

目的

HA-UTI と CA- UTI の発生率を区別するための機械学習モデル（決定木、ニューラルネットワーク、ロジスティック回帰、ランダムフォレスト、および Extreme Gradient Boosting）を構築、検証、および比較すること。さらに、人口統計学的、病院関連、および社会経済的変数を用いて、重要な UTI の予測因子を特定すること。

方法

2019 年から 2023 年の、患者の人口統計学的、病院関連、および社会経済的データを分析した。

結果

決定木モデルは、特に医療関連感染（healthcare-associated infection；HAI）の非常に不均衡なデータを扱う場合に、最も高い感度 87％を示した。ロジスティック回帰は、全体的に最も高い正確度を達成し、HA-UTI 症例を UTI のない症例と区別する場合の正確度は 95.9％、HA-UTI 症例と CA- UTI 症例を区別する場合の正確度は 93.2％であった。ランダムフォレストは交差検証で最も性能が高く、HA-UTI 症例と UTI のない症例を区別する場合は 99.1％、HA-UTI 症例と CA- UTI 症例を区別する場合は 96.2％に達した。ニューラルネットワークは HA-UTI 症例と CA- UTI 症例を区別する場合に最も高い特異度 93.4％を示した。曲線下面積はこれらの結果をさらに支持し、ニューラルネットワークの 71.9％からランダムフォレストの 94％までの範囲であり、異なる 1 年ごとのデータセットすべてでこれらのモデルの頑健性を反映していた。患者の人口統計学的、病院関連、および社会経済的変数のうち、看護部門（例：入院患者部門および精神保健部門）は、すべてのモデルで一貫して、UTI の最も有意な予測因子として特定された。看護部門に加えて、ロジスティック回帰および決定木では、施設の場所（例：種々の診療所および医療センター）が重要な予測因子として特定された。

結論

機械学習モデルの全体的な正確度は同程度であることが示されたが、感度および特異度は、2 つの分類タスク、すなわち、HA-UTI 症例と CA- UTI 症例を区別する場合と、HA-UTI 症例と UTI のない症例を区別する場合では異なった。看護部門は、一貫してすべての年で UTI の最も有意な予測因子であった。すべての予測因子は重要性が年によってばらついた。

サマリー原文（英語）はこちら

監訳者コメント ：

機械学習モデルを用いて、HA-UTI と CA- UTI の発生率の区別、UTI の予測因子の特定を試みた研究である。

Community respiratory viruses and healthcare-associated infections: epidemiological and clinical aspects

G.E. Yamaguto*, F. Zhen, M.M. Moreira, B.M. Montesanti, S.M. Raboni
*Universidade Federal Do Paraná, Brazil

Journal of Hospital Infection (2022) 122, 187-193

Quality control efforts of medical institutions: the impacts of a value-based payment system on medical staff and healthcare-associated infections

K-T. Han*, S. Kim, G.O. Kim, S. Lee, Y.U. Kwon
*National Cancer Control Institute, National Cancer Centre, Republic of Korea

Journal of Hospital Infection (2024) 153, 3-13

Personalized infection prevention and control: identifying patients at risk of healthcare-associated infection

S. Stewart*, C. Robertson, S. Kennedy, K. Kavanagh, L. Haahr, S. Manoukian, H. Mason, S. Dancer, B. Cook, J. Reilly
*Glasgow Caledonian University, UK

Journal of Hospital Infection (2021) 114, 32-42

Surveillance of healthcare-associated infections in Indonesian hospitals

Patient perspectives on infection prevention and control in cancer care: a survey of knowledge and attitudes among persons with cancer and their next of kin

A.S. Danielsen*, N.J. Nygaard, A.W. Børseth, J.V. Nilsen, H. Øvreness, R. Raastad, M.A. Borg, O. Kacelnik, J.V. Bjørnholt
*Oslo University Hospital, Norway

Journal of Hospital Infection (2024) 146, 21-30