本文要点
1)研究人员开发了一种新的机器学习方法,可直接从临床分离物的基质辅助激光解吸飞行时间质谱(MALDI-TOF)质谱图中预测抗菌耐药性。
2)研究人员在一个新创建的公开数据库中训练了经过校准的分类器,该数据库中的质谱图来自于临床上最相关的分离物,具有相关的抗菌药敏表型。
3)这个数据集结合了来自四个医疗机构的30多万个质谱和75万个抗菌耐药表型。在临床上重要的病原体面板上进行验证,包括金黄色葡萄球菌、大肠杆菌和肺炎克雷伯氏菌,结果接收者操作特征曲线下的面积分别为0.80、0.74和0.74,这证明了使用机器学习大幅加快抗菌耐药性测定和改变临床管理的潜力。
4)此外,对63名患者的回顾性临床病例研究发现,实施这种方法会改变9个病例的临床治疗,这对8个病例(89%)是有益的。
本文研究结果表明,基于MALDI-TOF质谱的机器学习可能是治疗优化和抗生素管理的一个重要新工具。
参考文献:
Caroline Weis, et al. Direct antimicrobial resistance prediction from clinical MALDI-TOF mass spectra using machine learning. Nature Medicine, 2021.
DOI:10.1038/s41591-021-01619-9
https://www.nature.com/articles/s41591-021-01619-9