Construction and validation of a machine learning model for predicting urine culture positivity in children with suspected urinary tract infections.

چکیده اصلی

BACKGROUND: Urinary tract infections (UTIs) are common in pediatrics. This study aimed to develop and validate a machine learning model for predicting urine culture positivity in children with suspected UTIs and to characterize regional pathogen and antimicrobial resistance profiles. METHODS: Clinical and laboratory data were collected from children with suspected UTIs. Variables were selected via univariate analysis, LASSO regularization, and recursive feature elimination. Machine learning models were constructed using selected variables, followed by validation and interpretability analysis. A web application was developed to assist in the early prediction of urine culture positivity. RESULTS: Infants aged 0-12 months accounted for 61.10% of enrolled children. The overall positive rate of urine culture was 42.17%, higher in boys. Gram-negative bacteria dominated the pathogen spectrum, with the two major strains exhibiting high rates of resistance to first- to third-generation cephalosporins and susceptibility to β-lactam/β-lactamase inhibitor combinations and carbapenems. Seven variables were used to construct seven machine learning models, among which the random forest (RF) model yielded the best performance, with an AUC of 0.814 (95% CI: 0.742-0.875), and sensitivity of 0.770 (95% CI: 0.662-0.865). A web-based calculator was established for individualized prediction. CONCLUSIONS: We developed an RF-based online tool using seven routine laboratory parameters, demonstrating favorable predictive performance for pediatric urine culture positivity. Furthermore, our mapped local pathogen and antimicrobial resistance profiles help clinicians initiate rational empirical antibiotic therapy.

ترجمه فارسی چکیده

عفونت‌های مجاری ادراری (UTI) در کودکانی که به آن‌ها شک می‌شود، شایع هستند. این مطالعه هدف داشت مدل یادگیری ماشین را برای پیش‌بینی مثبت شدن کشت ادرار در کودکان با شک به UTI توسعه و اعتبارسنجی کند و پروفایل‌های باکتری‌های منطقه‌ای و مقاومت آنتی‌بیوتیکی را توصیف نماید. داده‌های بالینی و آزمایشگاهی از کودکان با شک به UTI جمع‌آوری شد. متغیرها از طریق تحلیل تک‌متغیره، اصلاح لاسو و حذف بازگشتی ویژگی‌ها انتخاب شدند. مدل‌های یادگیری ماشین با استفاده از متغیرهای انتخاب شده ساخته شدند، سپس اعتبارسنجی و تحلیل قابلیت تفسیر انجام گرفت. یک برنامه وب برای کمک به پیش‌بینی زودهنگام مثبت شدن کشت ادرار توسعه یافت. نوزادان ۰ تا ۱۲ ماهه ۶۱٫۱۰٪ از کودکان ثبت‌شده را تشکیل دادند. نرخ کلی مثبت بودن کشت ادرار ۴۲٫۱۷٪ بود و در پسرها بیشتر بود. باکتری‌های گرم منفی در طیف باکتری‌ها غالب بودند و دو رژیم اصلی مقاومت بالایی به سیتروسلفتین‌های نسل اول تا سوم و حساسیت به ترکیب‌های بتا-لامپ/آنتیمزیم بتا-لامپ و کارباپنم‌ها نشان دادند. هفت متغیر برای ساخت هفت مدل یادگیری ماشین استفاده شد، از جمله مدل جنگل تصادفی (RF) که بهترین عملکرد را داشت با AUC ۰٫۸۱۴ (۹۵٪ CI: ۰٫۷۴۲-۰٫۸۷۵) و حساسیت ۰٫۷۷۰ (۹۵٪ CI: ۰٫۶۶۲-۰٫۸۶۵). یک ماشین حساب مبتنی بر وب برای پیش‌بینی فردی ایجاد شد. ما یک ابزار آنلاین مبتنی بر RF با استفاده از هفت پارامتر آزمایشگاهی استاندارد توسعه دادیم که عملکرد پیش‌بینی مطلوبی برای مثبت شدن کشت ادرار کودکانه نشان داد. علاوه بر این، پروفایل‌های باکتری‌های محلی و مقاومت آنتی‌بیوتیکی که نقشه‌برداری کردیم به پزشکان کمک می‌کند تا درمان آنتی‌بیوتیکی تجربی عقلانی را آغاز کنند.

متن کامل اصلی