机器学习分析耐碳青霉烯类肠杆菌感染风险因素实用指南.pdfVIP

基于机器学习的耐碳青霉烯类肠杆菌感染风险因

素分析

准确性有限无法为临床早期干预提供精准指导机器学习作为人工智能领域的重要分支具备强大的数据挖掘与模式识别能力能够从海量临床数据中自动学习特征与结局事件如感染之间的复杂关联在疾病风险预测诊断及预后评估等医学领域展现出显著优势近年来已有研究尝试特

一、引言

耐碳青霉烯类肠杆菌（Carbapenem-ResistantEnterobacteriaceae，CRE）是当前临床

微生物领域重点关注的“超级细菌”之一，其对包括碳青霉烯类抗生素在内的多种抗

菌药物具有耐药性，导致感染患者治疗选择受限、住院时间延长、病死率显著升高，

已成为全球公共卫生安全的重大威胁。据世界卫生组织（WHO）报告，CRE感染相

关病死率可达30%-50%，在重症监护病房（ICU）等高危环境中，CRE的定植与感

染率更是居高不下。传统上，临床对CRE感染风险的评估多依赖单因素分析或简

单的多因素回归模型，这类方法难以处理临床数据中复杂的非线性关系、高维度特

征以及潜在的交互效应，导致风险预测准确性有限，无法为临床早期干预提供精准

指导。

机器学习（MachineLearning，ML）作为人工智能领域的重要分支，具备强大的数

据挖掘与模式识别能力，能够从海量临床数据中自动学习特征与结局事件（如CRE