Machine Learning zur Vorhersage von Blutstrominfektionen bei Chemotherapiepatienten
Von KI ausgewählt und zusammengefasst
Worum es geht
Retrospektive Studie an 1.220 Krebspatienten mit 1.435 bestätigten Blutstrominfektionen (2017–2022) – nutzt Multi-Label-Klassifikation mit Machine Learning, um Risikofaktoren für verschiedene Resistenzphänotypen zu identifizieren und Entscheidungshilfen für empirische Therapie zu verbessern.
Ergebnis
83,1% der Infektionen waren Non-MDRO oder pilzlich; 7,6% carbapenem-resistent. Beste Modellperformance für carbapenem-resistente Gram-negative Erreger (AUC-ROC 83,25%). Schlüsselprädiktor: Hospitalisierungstage, hämatologische Malignität, frühere MDRO-Infektion, Monozytopenie, palliative Chemotherapie. Chemotherapieklasse trug differenziell bei (z.B. Alkylanzien→Candidämie). Multi-Label-Ansatz half, komplexe Ätiologien zu differenzieren.
Übertragbarkeit auf Deutschland
Brasilien, spezialisiertes Krebszentrum; Methodik auf europäische Zentren übertragbar, aber institutsspezifische Epidemiologie beachten
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.