การพยากรณ์การติดเชื้อแบคทีเรียแกรมลบดื้อยาหลายขนานในโรงพยาบาลระดับชุมชน ด้วยอัลกอริทึม eXtreme Gradient Boosting
Article Sidebar
Main Article Content
บทคัดย่อ
การดื้อยาหลายขนานของเชื้อแบคทีเรียแกรมลบ (Multidrug-resistant Gram-negative bacteria, MDR-GNB) ถือเป็นปัญหาทางด้านสาธารณสุขระดับโลก การศึกษานี้มีวัตถุประสงค์เพื่อพยากรณ์การติดเชื้อดื้อยาหลายขนานสำหรับแบคทีเรียแกรมลบ (MDR-GNB) จากสิ่งส่งตรวจโลหิตในโรงพยาบาลสมเด็จพระยุพราชธาตุพนม จังหวัดนครพนม ระหว่างเดือนมกราคม พ.ศ. 2559 ถึง ธันวาคม พ.ศ. 2563 โดยใช้อัลกอริทึม eXtreme Gradient Boosting การศึกษานี้เป็นการศึกษาแบบย้อนหลัง (Retrospective study) โดยมีจำนวนกลุ่มตัวอย่างทั้งหมด 624 ตัวอย่าง พบว่าผู้ป่วยส่วนใหญ่ที่มีการติดเชื้อ MDR-GNB มีอายุมากกว่า 70 ปี คิดเป็นร้อยละ 38 อายุเฉลี่ย 65 ปี (S.D. = 18.42) เชื้อแบคทีเรียที่พบมากที่สุด ได้แก่ Escherichia coli ร้อยละ 63.02 และ Klebsiella pneumoniae ร้อยละ 11.46 การสร้างแบบจำลองการเรียนรู้ของเครื่องด้วยวิธีการ eXtreme Gradient Boosting สามารถจำแนกผู้ป่วยที่ติดเชื้อ MDR-GNB ได้ร้อยละ 71 และมีค่า AUC ร้อยละ 66 และจากการวิเคราะห์ด้วย Logistic regression พบว่าผู้ป่วยที่ติดเชื้อ Escherichia coli มีความเสี่ยงต่อการติดเชื้อ MDR-GNB (ORadj 3.13, 95% CI 2.17–4.53, p-value < 0.001) และมีความเสี่ยงสูงมากเมื่อเป็นเชื้อกลุ่ม Enterobacteriaceae ที่ผลิต Extended spectrum beta-lactamase (ORadj 19.88, 95% CI 5.70–69.27, p-value < 0.001) จากผลการศึกษาพบว่าประสิทธิภาพโดยรวมของแบบจำลอง XGBoost ให้ค่า Sensitivity, Specificity, และ AUC ที่สูงกว่าร้อยละ 60 ซึ่งสะท้อนถึงความสามารถในการจำแนกที่ดีกว่าด้วยแบบจำลอง Logistic Regression จากผลการศึกษาสามารถนำแบบจำลองที่สร้างขึ้นไปใช้เพื่อเฝ้าระวังการติดเชื้อในผู้ป่วยในโรงพยาบาลเพื่อควบคุมการแพร่กระจายของเชื้อแบคทีเรียแกรมลบที่ดื้อยาหลายขนานได้อย่างมีประสิทธิภาพมากขึ้น
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Petersen E, Shan Lee S, Blumberg L, Levison ME. Antimicrobial resistance - A global problem in need of global solutions. IJID Reg. 2023;9:102-3.
Sumpradit N, Wongkongkathep S, Poonpolsup S, Janejai N, Paveenkittiporn W, Boonyarit P, et al. New chapter in tackling antimicrobial resistance in Thailand. BMJ. 2017;358:j3415. (in Thai)
Khoka A. Antibiotics and antibiotic resistance. Journal of Medicine and Health Sciences. 2020;27(2):125-39. (in Thai)
Samreen, Ahmad I, Malak HA, Abulreesh HH. Environmental antimicrobial resistance and its drivers: a potential threat to public health. Journal of Global Antimicrobial Resistance. 2021;27:101-11.
Yosboonruang A, Jitsatthra C, Tarawet L. Incidence of Resistant Bacteria Isolated from Medical Devices in the Intensive Care Unit of a Hospital. Journal of Public Health. 2017;47:222-34. (in Thai)
Boonrod P, Pornsiriwatanakul A. Prevalence of Carbapenem Resistant Enterobacteriaceae and Carbapenemase Genes in Lerdsin Hospital. Journal of The Department of Medical Services. 2023;48(2):13-20. (in Thai)
Molton JS, Tambyah PA, Ang BSP, Ling ML, Fisher DA. The Global Spread of Healthcare-Associated Multidrug-Resistant Bacteria: A Perspective From Asia. Clinical Infectious Diseases. 2013;56(9):1310-8.
Naghavi M, Vollset SE, Ikuta KS, Swetschinski LR, Gray AP, Wool EE, et al. Global burden of bacterial antimicrobial resistance 1990–2021: a systematic analysis with forecasts to 2050. The Lancet. 2024;404(10459):1199-226.
Cooperation OfE, Development. Stemming the superbug tide: just a few dollars more. OECD Paris; 2018.
Phumart P, Phodha T, Thamlikitkul V, Riewpaiboon A, Prakongsai P, Limwattananon S. Health and Economic Impacts of Antimicrobial Resistant Infections in Thailand : A Preliminary Study. Journal of Health Systems Research. 2555;6(3):352–60. (in Thai)
Baramee J, Unahalekhaka A, Klunklin P. Implementation and Barriers in Prevention of Multidrug-Resistant Organisms Transmission Among Community Hospitals. Nursing Journal CMU. 2021;48(2):95-106. (in Thai)
Ponyon J, Ungcharoen R. Incidence of Multidrug-resistant Gram-Negative Bacteria in Blood Specimens in a Community Hospital in Northeast. Pharmacy Practice. 2566;15(1):96-109. (in Thai)
Olivares J, Bernardini A, Garcia-Leon G, Corona F, M BS, Martinez JL. The intrinsic resistome of bacterial pathogens. Front Microbiol. 2013;4:103.
Acheewakullamas M, Sawasrak K, Wanthana maneekul W, Chaiyabutra S, Thanwiset T. Risk Factors for Multi-Drug Resistant Acinetobacter baumannii Nosocomial Infection, Chaiyaphum Hospital. Chaiyaphum medical journal. 2016;38(1):5-15. (in Thai)
Sripromma N. Nursing care for COVID-19 with ventilator-associatedpneumonia and multidrug resistance. The Academic and Nursing Journal of Boromarajonani College of Nursing,Chakriraj. 2023;3(2):E000518. (in Thai)
Fatima S, Hussain A, Amir SB, Ahmed SH, Aslam SMH. XGBoost and Random Forest Algorithms: An in Depth Analysis. Pakistan Journal of Scientific Research. 2023;3(1):26-31.
Duman E. Implementation of XGBoost Method for Healthcare Fraud Detection. Scientific Journal of Mehmet Akif Ersoy University. 2022;5(2):69-75.
Garcia-Vidal C, Puerta-Alcalde P, Cardozo C, Orellana MA, Besanson G, Lagunas J, et al. Machine Learning to Assess the Risk of Multidrug-Resistant Gram-Negative Bacilli Infections in Febrile Neutropenic Hematological Patients. Infect Dis Ther. 2021;10(2):971-83.
Moran E, Robinson E, Green C, Keeling M, Collyer B. Towards personalized guidelines: using machine-learning algorithms to guide antimicrobial selection. Journal of Antimicrobial Chemotherapy. 2020;75(9):2677-80.
Liu J, Gao Y, Hu F. A fast network intrusion detection system using adaptive synthetic oversampling and LightGBM. Computers & Security. 2021;106:102289.
Humbert-Vidan L, Hansen CR, Patel V, Johansen J, King AP, Guerrero Urbano T. External validation of a multimodality deep-learning normal tissue complication probability model for mandibular osteoradionecrosis trained on 3D radiation distribution maps and clinical variables. Physics and Imaging in Radiation Oncology. 2024;32:100668.
Boonlum S. Risk Factors of the Multidrug-resistant in Surgical II Intensive Care Unit, Suratthani Hospital. Journal of Health Sciences and Pedagogy. 2021;1(1):28-39. (in Thai)
Lee ALH, To CCK, Lee ALS, Chan RCK, Wong JSH, Wong CW, et al. Deep learning model for prediction of extended-spectrum beta-lactamase (ESBL) production in community-onset Enterobacteriaceae bacteraemia from a high ESBL prevalence multi-centre cohort. Eur J Clin Microbiol Infect Dis. 2021;40(5):1049-61.
Sick-Samuels AC, Goodman KE, Rapsinski G, Colantouni E, Milstone AM, Nowalk AJ, et al. A Decision Tree Using Patient Characteristics to Predict Resistance to Commonly Used Broad-Spectrum Antibiotics in Children With Gram-Negative Bloodstream Infections. Journal of the Pediatric Infectious Diseases Society. 2019;9(2):142-9.
Rich SN, Jun I, Bian J, Boucher C, Cherabuddi K, Morris JG, Jr., et al. Development of a Prediction Model for Antibiotic-Resistant Urinary Tract Infections Using Integrated Electronic Health Records from Multiple Clinics in North-Central Florida. Infect Dis Ther. 2022;11(5):1869-82.
Liang Q, Ding S, Chen J, Chen X, Xu Y, Xu Z, et al. Prediction of carbapenem-resistant gram-negative bacterial bloodstream infection in intensive care unit based on machine learning. BMC Medical Informatics and Decision Making. 2024;24(1):123.
Ponyon J, Kerdsin A, Preeprem T, Ungcharoen R. Risk Factors of Infections Due to Multidrug-Resistant Gram-Negative Bacteria in a Community Hospital in Rural Thailand. Trop Med Infect Dis. 2022;7(11). (in Thai)
