Machine learning models for predicting cerebrospinal fluid bacterial culture outcomes in post-neurosurgical meningitis-development and temporal three-year validation.

چکیده اصلی

Post-neurosurgical bacterial meningitis (PNBM) is a serious complication associated with substantial morbidity and mortality. Bacterial culture presently serves as the gold standard for diagnosis, however, clinical reliance on third-tier reports to address empirical antibiotic concerns, with a turnaround time of 3-5 days, can lead to imprecise antibiotic administration in patients. Therefore, we develop and validate a branch of machine learning method to predict the result of cerebrospinal fluid (CSF) culture, which can shorten the time for precise diagnosis to within 2 h. A cohort study was conducted in nonmaternity inpatient units at Beijing Tiantan Hospital & Capital Medical University during Jan 2016 to Dec 2020. Six machine learning models including 4 decision tree models(Random Forest, Catboost, LightGBM, and XGboost), Support Vector Classification(SVC) and Multi-Layer Perceptron(MLP) were applied for two models construction by utilizing tenfold cross-validation.The performances of these models were assessed in terms of discrimination, calibration, and clinical application in another 3 years cohort. In this study, the derivation cohort included 4014 patients, of whom 995 had positive CSF cultures, including 431 Gram-negative and 564 Gram-positive cultures, and 3019 had negative cultures. The temporal validation cohort included 1059 patients. LightGBM achieved the highest the area under the receiver operating characteristic curve (AUC) for Model 1 and Model 2, at 0.898 and 0.875, respectively. SHapley Additive exPlanations (SHAP) analysis identified CSF leukocyte(C-Leu) count as the leading predictor of culture positivity and Gram-negative cultures, whereas platelet count was the principal contributor to Gram-positive culture classification. Machine learning, specifically leveraging LightGBM modeling showed good discrimination in predicting CSF bacterial culture outcomes after neurosurgery. The model may support early risk stratification while culture results are pending.

ترجمه فارسی چکیده

مننژیت باکتریال پس از جراحی عصبی (PNBM) یک عارضه جدی است که با morbidity و mortality قابل توجه همراه است. کشت باکتری فعلاً استاندارد طلایی تشخیص است، اما وابستگی بالینی به گزارش‌های سطح سوم برای مدیریت آنتی‌بیوتیک‌های تجربی، که زمان تحویل آن ۳ تا ۵ روز است، می‌تواند منجر به تزریق ناکامل آنتی‌بیوتیک در بیماران شود. بنابراین، ما یک روش یادگیری ماشین را برای پیش‌بینی نتایج کشت مایع مغزی-نخاعی (CSF) توسعه و اعتبارسنجی کردیم که زمان تشخیص دقیق را به کمتر از ۲ ساعت کاهش می‌دهد. یک مطالعه کوهورت در واحدهای بستری غیرزایمانی در بیمارستان تیانتان پکن و دانشگاه پزشکی پایتخت از ژانویه ۲۰۱۶ تا دسامبر ۲۰۲۰ انجام شد. شش مدل یادگیری ماشین شامل ۴ مدل درخت تصمیم (Random Forest، Catboost، LightGBM و XGboost)، طبقه‌بندی ماشین بردار پشتیبان (SVC) و شبکه عصبی چندلایه (MLP) برای ساخت دو مدل با استفاده از اعتبارسنجی متقاطع ده‌گانه استفاده شد. عملکرد این مدل‌ها از نظر تفکیک‌پذیری، اصلاح‌پذیری و کاربرد بالینی در یک کوهورت ۳ ساله دیگر ارزیابی شد. در این مطالعه، کوهورت مشتق شامل ۴۰۱۴ بیمار بود، از جمله ۹۹۵ بیمار با کشت CSF مثبت (شامل ۴۳۱ باکتری گرم منفی و ۵۶۴ باکتری گرم مثبت) و ۳۰۱۹ بیمار با کشت منفی. کوهورت اعتبارسنجی زمانی شامل ۱۰۵۹ بیمار بود. LightGBM بالاترین ناحیه زیر منحنی ROC (AUC) را برای مدل ۱ و مدل ۲ با مقادیر ۰.۸۹۸ و ۰.۸۷۵ به دست آورد. تحلیل SHapley Additive exPlanations (SHAP) شمارش لنفوسیت‌های مایع مغزی-نخاعی (C-Leu) را به عنوان پیش‌بینی‌کننده اصلی مثبت بودن کشت و کشت‌های گرم منفی شناسایی کرد، در حالی که شمارش پلاکت‌ها عامل اصلی طبقه‌بندی کشت‌های گرم مثبت بود. یادگیری ماشین، به‌ویژه با استفاده از مدل‌سازی LightGBM، در پیش‌بینی نتایج کشت باکتریال مایع مغزی-نخاعی پس از جراحی عصبی عملکرد خوبی نشان داد. این مدل ممکن است در حین انتظار برای نتایج کشت، از طبقه‌بندی ریسک زودهنگام پشتیبانی کند.

متن کامل اصلی