美國麻省理工學(xué)院、哈佛大學(xué)醫(yī)學(xué)院附屬麻省總醫(yī)院和密歇根大學(xué)的科研人員開發(fā)出了一種機器學(xué)習(xí)算法可有效發(fā)現(xiàn)艱難梭菌感染，相比傳統(tǒng)方法可較早實現(xiàn)診斷。

每年都有近3萬美國人死于一種名為艱難梭菌（Clostridium difficile）的侵襲性腸道感染細菌。這種細菌對許多常用抗生素具有抗藥性，即使在能夠殺死通?？煽刂谱∵@種細菌的有益細菌的抗生素治療中，這種細菌仍然能夠繁殖。麻省理工學(xué)院（MIT）計算機科學(xué)與人工智能實驗室（Computer Science and Artificial IntelligenceLaboratory，CSAIL)、麻省總醫(yī)院（Massachusetts GeneralHospital，MGH）和密歇根大學(xué)（University of Michigan，U-M）的科研人員現(xiàn)在已開發(fā)出研究型“機器學(xué)習(xí)”模型。這些模型專為各大機構(gòu)量身定制，可比使用當(dāng)前診斷方法更早地預(yù)測出患者感染艱難梭菌的可能性。

“盡管在預(yù)防艱難梭菌感染和確診后及早開始治療方面投入了大量精力，感染率仍在繼續(xù)上升，”麻省總醫(yī)院感染內(nèi)科醫(yī)學(xué)博士、研究共同第一作者兼哈佛醫(yī)學(xué)院（Harvard Medical School）醫(yī)學(xué)助理教授埃麗卡·謝諾伊（EricaShenoy）說道?！拔覀冃枰玫墓ぞ邅韼椭R別具有最高風(fēng)險的患者，以便有針對性地進行預(yù)防和治療干預(yù)，從而減少進一步傳播并改善患者治療效果?！?/p>

作者們指出，之前的大部分艱難梭菌感染風(fēng)險模型都設(shè)計為“一刀切”方法，并且僅包含幾個風(fēng)險因素，因而用處有限。共同第一作者兼麻省理工學(xué)院計算機科學(xué)與人工智能實驗室外科學(xué)碩士瑪吉·馬卡爾（Maggie Makar）和密歇根大學(xué)計算機科學(xué)與工程專業(yè)研究生杰雷爾·歐（Jeeheh Oh）及其同事采用“大數(shù)據(jù)”方法分析了完整的電子健康檔案（Electronic Health Record，HER），以此預(yù)測患者在住院期間感染艱難梭菌的風(fēng)險。他們的方法允許開發(fā)機構(gòu)特定模型，可適應(yīng)不同的患者人群、不同的電子健康檔案系統(tǒng)和特定于各家機構(gòu)的因素。

“如果僅將數(shù)據(jù)注入一刀切模型中，患者人群、醫(yī)院布局、檢驗和治療方案，甚或醫(yī)務(wù)人員與電子健康檔案之間交互方式的機構(gòu)差異都可能會導(dǎo)致基礎(chǔ)數(shù)據(jù)分布出現(xiàn)不同，并可能最終導(dǎo)致此類模型的表現(xiàn)差強人意，”密歇根大學(xué)計算機科學(xué)與工程助理教授兼研究共同第一作者詹娜·威恩斯（Jenna Wiens）博士說道?！盀榱司徍瓦@些問題，我們采用醫(yī)院特定方法，訓(xùn)練為每家機構(gòu)量身定制的模型?！?/p>

科研人員借助其基于機器學(xué)習(xí)技術(shù)的模型，分別以兩年和六年為期限，對在麻省總醫(yī)院或密歇根大學(xué)醫(yī)院（Michigan Medicine，密歇根大學(xué)學(xué)術(shù)醫(yī)學(xué)中心）入院的257,000名患者的電子健康檔案中去除了身份識別信息的數(shù)據(jù)進行分析。這些數(shù)據(jù)包括每名患者的人口統(tǒng)計數(shù)據(jù)和病史、其入院細節(jié)和每日住院情況，以及患者被艱難梭菌感染的可能性。該模型針對每名患者生成每日風(fēng)險評分，當(dāng)超過設(shè)定閾值時，患者會被歸類為高風(fēng)險患者。

整體而言，這些模型在預(yù)測最終會被診斷為感染了艱難梭菌的患者方面非常成功。在采集診斷樣本前至少五天，這些模型就已經(jīng)對其中半數(shù)感染患者進行了準確預(yù)測，這樣一來，可集中對具有較高風(fēng)險的患者進行靶向抗菌干預(yù)。如果在前瞻性研究中得到證實，風(fēng)險預(yù)測評分可為艱難梭菌的早期篩查提供指導(dǎo)。對于在病程早期確診的患者，啟動治療可抑制疾病嚴重程度加深，且確診的艱難梭菌感染患者可得到隔離并能啟動接觸預(yù)防措施來防止感染向其他患者傳播。

研究團隊已在網(wǎng)上免費提供算法代碼（https://gitlab.eecs.umich.edu/jeeheh/ICHE2018_CDIRiskPrediction），以供其他人查看及針對各自所在機構(gòu)修改。謝諾伊指出，探索將類似算法應(yīng)用于所在機構(gòu)的醫(yī)療設(shè)施需要召集合適的本地主題專家并驗證相關(guān)模型在其機構(gòu)中的表現(xiàn)。