با مطالعه سوابق الکترونیکی سلامت، محققان دریافتند که یادگیری ماشینی می تواند به طور موثر پیش بینی کند که کدام بیماران مبتلا به C. diff می شوند.

بر اساس داده‌های اخیراً منتشر شده از انجمن کنترل عفونت (APIC)، چندین الگوریتم یادگیری ماشینی (MLAs) که معمولاً مورد استفاده قرار می‌گیرند، می‌توانند با دقت پیش‌بینی کنند که کدام بیماران بستری در بیمارستان به کلستریدیود دیفیسیل (C. diff) آلوده می‌شوند. اطلاعات جدید می تواند به پیشگیری از عفونت و تشخیص زودهنگام، و همچنین اجرای به موقع اقدامات کنترل عفونت برای به حداقل رساندن گسترش C. diff پشتیبانی کند.

این داده‌ها با مجموعه‌ای از شواهد در حال رشد سازگار است که هوش مصنوعی و MLA را به‌عنوان اجزای جدایی‌ناپذیر مدیریت مراقبت‌های بهداشتی تأیید می‌کند که می‌تواند نتایج بیمار را بهبود بخشد و به پزشکان با محدودیت زمان در ارائه بهترین مراقبت از بیمار کمک کند. عفونت C. diff (CDI) علت اصلی اسهال اکتسابی در بیمارستان است و با عوارض، مرگ و میر و هزینه های مراقبت های بهداشتی قابل توجهی همراه است.

در حال حاضر، ابزار استاندارد طلایی برای ارزیابی خطر ابتلا به CDI در بیمار وجود ندارد. برای این مطالعه، تیم تحقیقاتی از پایگاه داده ای متشکل از داده های پرونده الکترونیک سلامت (EHR) بیمار از بیش از 700 بیمارستان برای آموزش و ارزیابی سه روش مختلف یادگیری ماشینی و یادگیری عمیق استفاده کرد. محققان در ابتدا مدل‌های مختلف هر یک از روش‌ها را بررسی کردند تا تعیین کنند که آیا آنها می‌توانند به طور موثر CDI را در بین بیماران بستری با استفاده از داده‌های اولیه بستری پیش‌بینی کنند.

سپس تیم از یک مجموعه داده خارجی برای ارزیابی تعمیم پذیری مدل های MLA با بهترین عملکرد استفاده کرد. نتایج نشان داد که MLA ها می توانند CDI را با تبعیض عالی تنها با استفاده از شش ساعت اول داده های بستری پیش بینی کنند.

در میان سه روش مورد مطالعه، روش یادگیری ماشینی به نام XGBoost بالاترین دقت کلی را در پیش‌بینی CDI ارائه می‌کند، علیرغم اینکه کمترین مدل پیچیده است. روش XGBoost همچنین با حفظ عملکرد پیش‌بینی خود در یک مجموعه داده خارجی، تعمیم‌پذیری را نشان داد.

201001105.001