Исследователи Университета Женевы исследуют графовую модель машинного обучения для прогнозирования рисков колонизации больничных пациентов множественно-резистентными штаммами энтеробактерий (MDR).

Ученые Университета Женевы разрабатывают графовую модель машинного обучения для прогнозирования рисков колонизации больничных пациентов множественно-резистентными штаммами энтеробактерий (MDR)

Машинное обучение стало очень важным инструментом в сфере здравоохранения, революционизируя различные аспекты отрасли. Одно из его основных применений состоит в диагностике, где алгоритмы машинного обучения анализируют обширные наборы данных, включая медицинские изображения, генетическую информацию и медицинские записи, чтобы выявить закономерности и делать точные прогнозы.

Ранее модели машинного обучения использовались для обнаружения пациентов, подверженных инфекции, и для поддержки программ профилактики и контроля инфекций. В этих моделях использовались большие объемы медицинских данных, регулярно собирающихся в электронных медицинских записях (EMR). В то время как классические модели машинного обучения могут показывать эффективные результаты в ограниченных случаях, они не обобщаются на масштабные и продолжительные данные EMR.

Исследователи из Женевского университета сделали прорыв в технологиях здравоохранения. Они использовали графовые нейронные сети (GNN) в здравоохранении для обнаружения антимикробной резистентности (AMR) и множественной резистентности к лекарствам (MDR) колонизации энтеробактерий.

• Исследователи из Шанхайской лаборатории искусственного интеллекта и Массачусетского технологического института представляют иерархическую воротную рекуррентную нейронную сеть RNN новую границу в эффективном моделировании долгосрочной зависимости.
• Исследователи научили алгоритм ‘вкусу
• Исследователи КМУ представляют Diffusion-TTA Повышение дискриминативных моделей искусственного интеллекта с помощью генеративной обратной связи для беспрецедентной адаптации во время тестирования.

Энтеробактерии обычно находятся в здоровой кишке человека, но если они колонизируют другие части тела и вызывают инфекции, они могут быть чрезвычайно опасны для здоровья. Множество факторов способствует росту этих патогенов в условиях здравоохранения.

Исследователи моделировали взаимодействия между пациентами и медицинскими работниками с использованием графовой структуры, где узлы и их взаимодействия описывают ребра, описывающие пациентов. Затем графовая нейронная сеть (GNN) была обучена для изучения закономерностей колонизации по сети пациентов, обогащенной клиническими и пространственно-временными характеристиками.

Профессор Дуглас Теодоро из Женевского университета сказал, что главная цель заключалась в моделировании сложных взаимодействий в условиях здравоохранения для прогнозирования распространения инфекций, связанных со здравоохранением. В этот прогноз была включена сетевая информация о пациентах и медицинских работниках. Он также сказал, что наиболее важное сообщение исследования заключается в потенциале анализа взаимодействий в здравоохранении для улучшения прогнозирования инфекций, связанных со здравоохранением. Этот метод может значительно продвинуть техники профилактики и контроля инфекций в условиях здравоохранения.

Теодоро также сказал, что, опираясь на подход, основанный на данных, они предвидят его применимость к другим патогенам с аналогичной динамикой передачи и в различных условиях здравоохранения.

В исследовании приведено изображение под названием “Графовые предсказания госпитальных инфекций”, демонстрирующее, как команда применяла графовые нейронные сети для моделирования сложных закономерностей в передаче множественно-резистентных энтеробактерий. Это исследование направлено на изменение способов, которыми больницы прогнозируют и рассматривают риски инфекций.

Модели были обучены и оценены с использованием набора данных Medical Information Mart for Intensive Care (MIMIC-III) и сравнивались с традиционными моделями машинного обучения. Стоит отметить, что модели GNN показали лучшие результаты по предсказанию чувствительности к антимикробным препаратам (AMS), AMR и MDR энтеробактериям, чем базовые модели.

Исследователи протестировали модель и обнаружили, что площадь под кривой рабочей характеристики приемника (AUROC) составляет более 88%, когда с использованием пространственно-временных характеристик идентифицированы пациенты, колонизированные ванкомицинорезистентным энтерококком. Исследователи обнаружили, что модель GNN демонстрирует диапазон точности от 0,91 до 0,96 в площади под кривой рабочей характеристики приемника (AUROC). Эта точность на 8% выше, чем у логистической регрессии, которая набрала 0,88.