这是一篇开放获取的文章,根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
迫切需要利用大数据来帮助临床医生在缺乏及时敏感性数据的情况下选择有效的抗生素治疗方法的数字工具。临床表现和当地流行病学可以为治疗选择提供信息,以平衡抗微生物药物耐药性风险和患者风险。然而,数据和临床专业知识必须适当地集成到临床工作流程中。
本研究的目的是利用电子健康记录中的可用数据,开发一个数据驱动的、以用户为中心的临床决策支持系统,以导航患者安全和人群健康。
我们分析了一个大型学术医疗中心5年的药敏测试(1,078,510株分离物)和患者数据(30,761例患者)。在根据临床和实验室标准协会指南整理数据后,我们分析并可视化了危险因素对临床结果的影响。在这种数据驱动的理解的基础上,我们开发了一种概率算法,将这些数据映射到个别病例,并实现了iBiogram,这是一个原型数字经验抗菌临床决策支持系统,我们根据实际的处方结果进行评估。
我们确定了跨综合征和背景的患者特异性因素,并通过临床综合征确定了相关的局部抗微生物药物耐药性模式。死亡率和住院时间因这些因素而有显著差异,可用于生成可接受的处方不足风险的启发式目标。结合开发的
这种数据驱动的、以患者为中心的工具的应用可以指导临床医生的经验处方,以平衡发病率和死亡率与抗菌素管理。
耐抗生素感染在美国和全球范围内普遍存在,是对人类健康的紧迫威胁[
为了应对当今的全球抗菌素耐药性危机,主要机构(如世界卫生组织、美国传染病学会、疾病控制和预防中心、卫生保健研究和质量局以及临床和实验室标准研究所)建议卫生保健机构生产并向临床医生分发来自当地的抗生素,主要是作为抗菌素管理工作的一部分[
最近的机器学习报告表明,电子病历数据可以预测易感性,尽管通常适用于单一疾病类型[
很少有医院将患者特异性和流行病学信息纳入传统的抗生素图[
抗菌药物管理临床决策系统综述[
在本研究中,我们将iBiogram作为一种数字CDSS,用于在缺乏明确抗生素敏感性的情况下进行数据驱动的抗菌药物选择。iBiogram通过将传染病决策支持作为一个复杂的社会技术问题进行检查,解决了上述讨论的局限性[
我们系统地评估了一个综合临床数据集,该数据集横跨门诊和医院环境,包含抗菌药物测试、临床背景和患者因素。然后,我们确定了影响微生物流行率和AMR的局部因素,它们对死亡率的影响,以及它们如何结合起来影响抗生素治疗的成功。最后,我们开发并测试了一种决策支持工具,该工具可用于低风险的门诊环境(过度处方可能占主导地位)和住院环境(早期和准确的经验性治疗的风险和收益最大)。
我们分析了来自加州大学圣地亚哥健康科学(UCSDHS) 5年的抗生素敏感性分离测试数据和相关的未识别患者信息。该研究由加州大学圣地亚哥分校人类研究保护计划(机构审查委员会#161853)审查并批准。纳入2011年5月至2016年11月间有药敏结果的阳性细菌培养。内容包括已鉴定病原体;他们对经过测试的抗生素的敏感性;培养前、培养中、培养后的诊断信息;就诊前和就诊期间所开的任何药物;订货时的问题清单;以及一般的人口统计信息。
在分析之前,我们根据临床和实验室标准协会指南删除重复药敏试验来处理数据[
我们研究了时间、人口统计学、指定综合征、药物和共病对致病细菌分布、易感性和临床结果的影响。采用Logistic回归计算经年龄和性别调整后的比值比(OR),并对结果进行显著性筛选(P<.05)。评估无效治疗对临床结果的影响。通过评估处方治疗的7天全因死亡率和中位LOS的变化来确定关键组合。
使用Python statmodels包对年龄和性别进行了逻辑回归调整,以解释综合征类型和常见生物的显著差异,例如,女性UTI和革兰氏阴性细菌的较高比率,分析了因素和共病对致病细菌的最终分布、易感性和死亡率的影响。年龄被建模为分类变量(0-14岁,15-24岁,25-44岁,45-64岁,≥65岁)。年龄和性别的影响通过相互控制来评估。使用Mann-Whitney量表分析LOS的变化
为了分析和交流特定情况下风险因素的影响,我们开发了剩余的风险度量作为共享表示[
通过选择最小值来计算联合治疗的剩余风险
iBiogram算法从一个知识库中提取抗生素,该知识库将抗生素与症状映射在一起。根据所选场景的可用测试数据对抗生素进行额外筛选,以防止由少数或在最坏的情况下,单一抗生素敏感性分离测试造成的夸大排名。生成所有可能的抗生素组合,并根据剩余的抗生素子集进行排名。脓毒症是目前唯一允许三种抗生素联合使用的综合征,阿米卡星和庆大霉素保留为第三种药物。
利用6个月前的数据对iBiogram算法进行评估,并比较预测的性能
抗生素耐药性概述:对最常检测的抗生素和致病因子的分析数据的总结。每个点代表所有具有给定致病因子的分离株(水平)和经过测试的抗生素(垂直)。分离株的数量用点大小表示,抗性的概率用颜色表示,从蓝色(0%抗性)到红色(>20%抗性)到黑色(100%抗性)。CN:凝固酶阴性葡萄球菌;CRE:耐碳青霉烯肠杆菌科;CRPA:耐碳青霉烯类铜绿假单胞菌;ESBL:产β -内酰胺酶扩展谱肠杆菌科;GNR:革兰氏阴性棒;MRSA:耐甲氧西林金黄色葡萄球菌;MSSA:甲氧西林敏感金黄色葡萄球菌; VRE: Vancomycin-resistant Enterococcus.
在UCSDHS,影响生物体流行率和耐药性的风险因素包括从众所周知的贡献因素(如先前使用抗生素)到更具体的见解(如特定移植史的影响)。
根据对经验性治疗的敏感性,与综合征相关的7天全因死亡率以及中位LOS有显著差异。具体证候因素报道于
影响微生物流行率(左)和耐药性(右)的因素:具有统计学意义的因素的比值比(
在综合征/危险因素组合中,治疗失败对7天全因死亡率(上)和中位住院时间(下)的影响:耐药病原体对由危险因素或共病修饰的综合征的影响总结。只有显著的结果(
在过于广泛的经验性方案和治疗失败的风险之间进行艰难的权衡,需要一个共同的表述来解释已知的风险因素。考虑如下所示的场景
社区发作性败血症的抗生素图谱可以预测,在该数据集中,经常处方的万古霉素和哌拉西林/他唑巴坦经验性治疗在11%的病原中失败。然而,在增加医院发病和血液系统恶性肿瘤因素后,失败风险分别增加到25%和28%以上,在严重败血症病例中,两者均低于推荐的完全覆盖目标或至少90%的覆盖率(剩余风险<10%)[
败血症治疗失败的剩余风险:败血症病例中常见多药方案失败风险百分比的总结。所示为恶性血液病患者的社区发病败血症、医院发病败血症和医院发病败血症的血培养总和。数值代表对一种或多种抗生素的剩余风险(患病率x预测耐药性)。患病率(顶部一行)列出了遇到所描述的因果因素的概率。如果一种治疗方法不覆盖某种病原体,其风险等于该病原体的流行率,例如,美罗培南从未覆盖耐甲氧西林金黄色葡萄球菌。其余风险列(最左边)中的百分比总和是遇到所描述的治疗方法未涵盖的病原体的概率。蓝色编码表示<1%,红色强度逐渐增加,直到红色≥10%,这是严重感染的最低阈值[
在
iBiogram数字抗生素图谱:iBiogram是一个基于网络的应用程序,允许用户选择患者的人口统计、表现综合征、先前使用抗生素或免疫抑制、共病状况,以及感染的位置和背景,患者来自哪个地区,以及未决培养是否被确定为革兰氏阳性或阴性。在上面的例子中,显示了所有既往使用抗生素并出现2年以上院内败血症的糖尿病患者。如果用户根据历史怀疑某个特定的生物,则可以选择该生物,并且表将重新定向以显示该生物的敏感性。同样,用户可以选择一种治疗方案,并检查对治疗敏感或耐药的生物体。ESBL:增谱β-内酰胺酶MRSA:耐甲氧西林金黄色葡萄球菌;MSSA:对甲氧西林敏感的金黄色葡萄球菌;VRE:耐万古霉素肠球菌。
鉴于接受有效经验性治疗的患者更有可能存活,且生存期更短,我们根据最终的敏感性结果分析了处方经验性治疗的失败率,并将其与建议的iBiogram方案进行了比较(
比较iBiogram推荐的抗生素与医生在订购时实际开出的抗生素的性能。一个
并发症状 | 风险因素 | 接受经验性抗生素治疗 | 处方经验疗法与iBiogram建议的回顾性比较 | |||||||||
|
总计 | 死者,n (%) | 总计 | 死者,n (%) | 经验性治疗(%) | iBiogram建议 | ||||||
|
|
|
|
|
测量风险 | 意识到b组访问 | AWaRe组表 | AwaRe集团储备 | 测量风险(%);预测风险;意识到组 | |||
泌尿道感染c在急诊科d | 939 | 0 (0) | 479 | 0 (0) | 17.7 | 24 | 76 | 0 |
23%,呋喃妥英;19.4%;访问 头孢曲松钠15.1%;17.8%;看 |
|||
UTI在急诊科用抗生素 | 147 | 0 (0) | 65 | 0 (0) | 26.2 | 26 | 74 | 0 |
1.9%,阿米卡星;19.3%;访问 18.7%硝基呋喃妥因和甲氧苄啶/磺胺甲恶唑;19.9%;访问 |
|||
脓毒症,社区发病 | 562 | 43 (7.7) | 383 | 30 (7.8) | 8.1 | 6 | 92 | 2 |
14.2%为万古霉素和哌拉西林/他唑巴坦;9.8%;看 5.5%万古霉素和厄他培南;8.2%;看 |
|||
脓毒症,医院发病 | 181 | 17 (9.4) | 75 | 7 (9.3) | 16 | 1 | 95 | 4 |
7.8%达托霉素和美罗培南;7.6%;储备 3.6%达托霉素美罗培南+阿米卡星;6.8%;储备 |
|||
败血症,医院发病的恶性血液病 | 39 | 8 (20.5) | 23 | 4 (17.4) | 17.4 | 4 | 91 | 4 |
15.5%达托霉素和美罗培南;7.4%;储备 12.9%达托霉素和美罗培南+庆大霉素;5.1%;储备 |
一个比较在研究的最后6个月观察到的处方和处方成功率与根据所有先前数据处方的病例建议的iBiogram方案。死亡率是使用无效抗菌素治疗风险的代表。
bAWaRe:农村环境的福利与觉醒行动。
cUTI:尿路感染。
d急诊室。
根据柯蒂斯所指出的科学差距[
我们对一个大型城市和郊区医疗保健系统中影响微生物生态和耐药性的因素进行了全面检查,为开发抗生素推荐系统奠定了基础,该系统可以支持临床医生在缺乏培养数据的情况下开具抗生素处方。我们确定了可用于创建定制的经验性抗生素选择的预测因素;然而,使用静态和非数字方法可能很难传达这些因素。仅凭这些因素也不足以做出最佳治疗决策,因为向处方者的建议需要将纯概率方法与临床启发式、专家指南和其他风险效益考虑相融合[
我们清理并创建了一个新的细菌流行率和抗生素耐药性数据的图形表示。乍一看,这种方法可以看出,在遇到给定病原体的可能性和它们的预期耐药模式方面,比目前的纸质抗生素表更容易提供信息。这种方法还证明了在试图将数据映射到特定患者时,医院范围内的AMR静态视图的局限性,并立即表明更细粒度的特定于患者的数据可以为更好的决策提供信息。可以为数据的子集生成这样的图形概述,以生成和跟踪数据
复杂脓毒症病例
为此,我们开发了一个数字工具,将最新的医院数据与临床规则(这里是专家指南中的特定综合征抗生素)结合起来,作为选择抗生素组合的交互式精确工具。该工具涵盖了临床医生在连续护理过程中遇到的许多典型场景,从门诊患者尿路感染的经验性治疗,到出现在急诊室的脓毒症固体器官移植受者,以及复杂住院患者(如干细胞移植或囊性纤维化患者)的护理。值得注意的是,这种生态是高度区域性的,通常是医院特定的,强调需要结合当地的生物流行率、当地的处方和患者特定的风险因素。在未来,该工具可以很容易地集成到电子病历中,以便在规定的方案覆盖范围太广或失败的可能性高于可接受的水平时提醒临床医生。或者,可以建议更合适的治疗方案。最终,这些工具可以用于有复杂传染病史的个体患者,或作为门诊环境中的个性化抗生素表。这可能有利于那些经常感染的人,如UTI,反复败血症的透析患者,或具有高度特异性生态的囊性纤维化患者。
我们的数据强调了更具体的抗生素的潜在好处,以及专家临床医生继续仔细考虑基于病例的治疗方案的必要性。虽然这里提供的数据支持多维抗生素图谱的实用性,但它们也强调了设计一种平衡的工具的挑战,该工具可以对多种综合征提供概括性,并提供治疗方案,考虑到临床环境中广泛覆盖的迫切需要和对抗抗生素耐药性的威胁。结合特定患者群体的相关死亡率数据可能有助于应对这一风险,以便在低风险情况下使用窄谱抗生素方案,在高风险情况下可以短期保留更广泛的治疗方案。
研究的回顾性性质和EHR数据的质量是两个主要的限制。回顾性地从污染物中区分致病生物可能具有挑战性。因此,我们排除了许多没有相应ICD-10编码的阳性培养物。此外,许多感染在治疗时不进行培养或忽视了阴性培养。这导致在分析的EHR数据中存在选择偏差,仅记录阳性培养,可能导致对高敏锐度疾病的偏向。所提出的因素主要依赖于ICD-10编码,这些编码(1)限制粒度,(2)易于编码错误,(3)可能不能反映重要的未知因素,包括疾病的严重程度和时间。例如,仅根据编码无法区分脓毒症和严重脓毒症,血压或按压器的使用等医疗数据超出了这项工作的范围。此外,并非所有抗生素都针对所有分离株进行了测试。例如,我们机构很少对左氧氟沙星进行测试,因为它的耐药性模式与环丙沙星的耐药性模式非常接近。最后,新的抗生素不断投入市场治疗耐药生物,根据定义,回顾性数据将不包括最新可用的抗微生物药物。
与传统的抗生素图谱相似,这项工作中描述的原型目前只关注抗生素的覆盖范围,不考虑其他因素,如副作用或受限制的机构抗生素,也不区分给药方式(静脉注射还是口服)以及与其他药物相互作用的成本或风险。它也没有提供关于近期特定抗生素暴露或过去个人培养数据的患者特异性数据。最后,当前版本的iBiogram不包括较新的广谱抗菌剂的数据,如头孢他嗪-他唑巴坦和头孢他啶-阿维巴坦,这可能在CRE或CRPA设置中提供更合理和毒性更小的选择。
最后,我们建议这些方法可以应用于医疗保健系统之间的数据,以创建区域抗生素图[
总的来说,我们的目标是创建一个交互式的复杂因素的共享表示,临床医生必须导航有效的经验处方。为此,我们开发了CDSS,力求促进与用户的有效合作,通过在以用户为中心的工具中代表当地结果和当地生态,弥合临床指南、临床医生专业知识和数据科学之间的表达和推理差距。总的来说,我们认为这些工具可以改善临床和安全结果,减少因不适当抗生素引起的不良事件,为处方者提供实时建议,并降低AMR和护理成本。
定义和国际疾病分类-10 (ICD-10)制图。概述用于因素的定义,包括将ICD-10值映射到综合征和共病。
去除重复培养后的队列和培养特性概述,显示患者数量、就诊次数、分离株和每个因素的敏感性试验。
随着时间的推移,感染生态展示了医院系统中引起感染的细菌的生态。打印的抗生素表一般只考虑过去四分之一的医院数据。在这里,我们将上一季度的生态与过去两个季度、过去三个季度等进行对比分析。overlay表示
所有影响微生物流行率(左)和耐药性(右)的因素。具有统计学意义因素的比值比(
患者家庭住址影响微生物流行率(左)和耐药性(右)。具有统计学意义因素的比值比(
脓毒症中影响微生物流行率(左)和耐药性(右)的因素
抗菌素耐药性
临床决策支持系统
特拉肠杆菌科
耐碳青霉烯类铜绿假单胞菌
电子健康记录
《国际疾病分类-10》
停留时间
优势比
加州大学圣地亚哥健康科学
尿路感染
数据提取部分得到了美国国立卫生研究院(授予UL1TR001442临床和转化科学奖励计划)的支持。内容仅为作者的责任,并不一定代表美国国立卫生研究院的官方观点。
没有宣布。