Uso de machine learning para predizer suscetibilidade a antibióticos através de dados de pacientes hospitalizados

Abstract

A farmacorresistência bacteriana representa uma ameaça à saúde global, por isso necessita de ações para reduzir seus impactos na mortalidade e na economia. As técnicas de aprendizado de máquina, um campo da Inteligência Artificial, demonstraram um bom potencial na previsão de resistência antimicrobiana, orientando assim a seleção da terapia empírica, muitas vezes crucial para o paciente hospitalizado. Dessa forma, objetivou-se aplicar algoritmos de aprendizado de máquina supervisionado para prever o resultado do teste de sensibilidade microbiana em pacientes hospitalizados. Para tanto, analisou-se retrospectivamente as informações do Prontuário Eletrônico e do Laboratório de Microbiologia de pacientes com cultura bacteriana positiva, de todas as idades, internados no Hospital Nossa Senhora da Conceição no período de abril a junho de 2022. Os dados foram utilizados para treinar 3 algoritmos de aprendizado supervisionado (Gradient Boosting, Logistic Regression e Random Forest) na predição da suscetibilidade de bactérias a doze antimicrobianos. Um teste de permutação e a análise SHAP (Shapley Additive Explanations) foi realizada para avaliar as variáveis que são mais importantes para a predição e como elas contribuem para o desfecho. Essas análises foram conduzidas para o meropeném, trimetoprima/sulfametoxazol e vancomicina. Obteve-se uma AUC máxima de 0,986 para o algoritmo Random Forest, ao prever a suscetibilidade das bactérias à vancomicina, embora os outros 2 modelos tenham apresentado bons resultados (0,585-0,986). Para meropeném e vancomicina, o Gram foi a característica mais importante, enquanto o espécime clínico foi o mais relevante para trimetoprima/sulfametoxazol, no teste de permutação. Nas análises SHAP, Gram também contribuiu mais para não suscetibilidade ao meropeném e vancomicina, além disso, dias desde a admissão no hospital até a coleta do espécime clínico contribuem mais para não suscetibilidade ao trimetoprim/sulfametoxazol. Mesmo com um pequeno conjunto de dados, os achados deste estudo corroboram com outras pesquisas demonstrando que o aprendizado de máquina, juntamente com informações demográficas e laboratoriais, podem predizer a resistência antimicrobiana, ajudando assim a melhorar a seleção da terapia empírica.

Antimicrobial resistance represents a threat to global health. Therefore, actions are needed to reduce its impacts on mortality and economy worldwide. In this context, machine learning, which is a field of Artificial Intelligence, have shown good potential in predicting antimicrobial resistance, thus guiding the selection of empirical therapy. So, the objective was to apply supervised machine learning algorithms to predict the result of microbial sensitivity tests. For this purpose, information from the Electronic Medical Record and the Microbiology Laboratory of patients with positive bacterial culture, of all ages, admitted to Hospital Nossa Senhora da Conceição from April to June 2022 were retrospectively analyzed. The attributes were used to train 3 supervised algorithms (Gradient Boosting, Logistic Regression and Random Forest) to predict the result of the antibiogram test of twelve antibiotics. A permutation test as well as SHAP (Shapley Additive Explanations) analysis was performed to assess the characteristics that are most important for the prediction and how they contribute to the outcome. These analyzes were performed with meropenem, trimethoprim/sulfamethoxazole and vancomycin only. A maximum AUC of 0.986 was obtained for the Random Forest algorithm, when predicting the susceptibility of bacteria to vancomycin, although all 3 models showed good results (0,585-0,986). For meropenem and vancomycin, the Gram test was the most important feature, while sample was the most relevant for trimethoprim/sulfamethoxazole in the permutation test. In SHAP analyses, Gram also contributes more to non-susceptibility to meropenem and vancomycin, but the SHAP test revealed that more days from hospital admission to sample collection contribute more to non-susceptibility to trimethoprim/sulfamethoxazole. Even with a small dataset, the findings of this study corroborate other research demonstrating that machine learning, along with demographic and laboratory information, can predict antimicrobial resistance, thus helping to improve empirical therapy selection.