[發明專利]一種肺炎克雷伯菌亞胺培南藥物敏感性機器學習預測模型

在審

• 申請號: 202210438979.5
• 申請日: 2022-04-22
• 公開（公告）號: CN114724620A
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 朱彧;萬晶晶;曾宇;劉剛
• 申請（專利權）人: 朱彧
• 主分類號: G16B5/00
• 分類號: G16B5/00;G16B40/00
• 代理公司: 天津展譽專利代理有限公司 12221
• 代理人: 鄭曉晨

本發明公開了一種肺炎克雷伯菌亞胺培南藥物敏感性機器學習預測模型，屬于藥物敏感預測技術領域，具體步驟為：隨機選取亞胺培南敏感和耐藥例的質譜峰數據，通過機器學習最小絕對值選擇與收縮算子算法建立訓練集數據模型，再隨機選取敏感和耐藥例，建立測試集模型，對上述標本的質譜峰數據進行正交偏最小二乘判別分析，分別計算訓練集和測試集模型的曲線下面積，建立測試集混淆矩陣并驗證預測模型的正確率。可見，通過機器學習方法建立肺炎克雷伯菌對亞胺培南藥物敏感性的預測模型并進行驗證，得到的預測模型具有較高的正確率，具有潛在的臨床輔助決策支持能力。

技術領域

本發明屬于藥物敏感預測技術領域，尤其是涉及一種基于MALDI-TOF MS的肺炎克雷伯菌亞胺培南藥物敏感性機器學習預測模型。

背景技術

肺炎克雷伯菌(Klebsiellapneumoniae，KP)是臨床常見的條件致病菌之一，可引起呼吸道、泌尿道、腹腔等部位感染，導致患者膿毒癥、多器官功能障礙甚至死亡。近年來由于抗菌藥廣泛應用以及不合理使用等原因，肺炎克雷伯菌耐藥性日益嚴重，影響了臨床抗感染治療效果，對患者健康和生命造成危害。

目前，檢驗科需在菌株經質譜技術鑒定后進行藥敏分析，存在一定滯后性，即需要在菌株分離培養及質譜鑒定后24-48小時才能得到微生物藥物敏感性結果，常導致患者病情惡化。臨床應盡早根據肺炎克雷伯菌藥敏情況進行抗感染治療，以降低重癥或急性感染患者的病死率。但臨床經驗性抗感染治療存在治療效果不佳、具有產生耐藥風險等不足。

質譜鑒定微生物的主要原理是利用已知菌種建立數據庫，通過質譜檢測獲得細菌核糖體蛋白的指紋質譜峰圖譜，與數據庫中的參考圖譜比對后得到鑒定結果。以往研究主要關注于通過識別耐藥相關的質譜特征峰分析微生物藥物敏感性，但是本研究發現OPLS-DA聚類分析效果不佳，可能與微生物耐藥機制多樣造成質譜信息的復雜性有關，導致通過簡單鑒定質譜特征峰的方式可能無法有效判斷微生物藥物敏感性，需要就全部質譜信息進行更復雜的分析。

隨著醫療數據量不斷增大，高維數據難以被傳統統計模型處理，機器學習可建立基于大數據的高效率、高準確性的數學模型，改變傳統臨床路徑，向患者提供可能的最佳治療方法，可通過建立復雜數字模型給出的預測結果取代主觀性判斷，改善患者的診斷結果，是臨床診斷技術的重大變革和發展趨勢。機器學習技術具有廣闊的臨床應用前景，如Khamzin等在醫學影像方向研究嘗試將機器學習技術應用于CT及核磁圖像智能識別，McCoubrey等研究通過機器學習技術分析腸道菌群特征判斷藥物代謝情況等。在微生物鑒定方面，Mortier通過機器學習結合MALDI-TOF Mass數據進行菌種鑒定， Feucherolles等通過機器學習結合質譜數據分析彎曲桿菌屬(Campylobacter) 分子多樣性，Tran等和Deulofeu等已將機器學習和質譜數據相結合進行新型冠狀肺炎(COVID-19)的智能診斷工作。

亞胺培南(imipenem)是碳青霉烯類抗菌藥物，對肺炎克雷伯菌具有很好的治療效果，但近年來肺炎克雷伯菌對亞胺培南的耐藥率逐年升高，給臨床經驗用藥帶來了較大困難。

發明內容

本發明要解決的問題是提供一種基于MALDI-TOF MS的肺炎克雷伯菌亞胺培南藥物敏感性機器學習預測模型，以建立一種低成本、高準確性的智能藥敏分析系統，輔助臨床抗菌藥應用決策。

為解決上述技術問題，本發明采用的技術方案是：一種基于MALDI-TOF MS的肺炎克雷伯菌亞胺培南藥物敏感性機器學習預測模型，包括以下步驟：

(1)數據篩選

根據菌株亞胺培南藥物敏感度分布情況，從樣本中隨機選取肺炎克雷伯耐藥株和敏感株作為訓練集，隨機另選取耐藥株和敏感株作為測試集，將上述菌株質譜數據峰按以下步驟進行預處理；

(2)數據預處理