Rapid Screening of Methicillin-Resistant <i>Staphylococcus aureus</i> Using MALDI-TOF MS and Machine Learning: A Randomized, Multicenter Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Methicillin-resistant Staphylococcus aureus (MRSA) is a major cause of healthcare-associated infections including bacteremia. The rapid detection of MRSA is essential for prompt treatment and improved outcomes. However, traditional MRSA screening and confirmatory tests based on bacterial cultures with antimicrobial susceptibility tests and/or molecular diagnostics are time-consuming (>2 days), labor-intensive, and costly. We report that AMRQuest software, which was developed using logistic regression-based machine learning and matrix-assisted laser desorption/ionization-time-of-flight spectra of S. aureus isolates, can be successfully implemented in clinical microbiology laboratories to screen MRSA and identify bacterial species simultaneously, with the cefoxitin disk diffusion test as a reference. Analytical sensitivity, specificity, percent agreement, and Cohen’s kappa values were calculated to determine the accuracy of the AMRQuest software. The minimum sample size of the testing set for statistical analysis was determined considering the local prevalence of MRSA infections. MRSA screening was performed using 537 consecutive S. aureus isolates, including 231 MRSA and 306 methicillin-susceptible S. aureus isolates, from three tertiary-care hospitals. The results from the AMRQuest software were similar to those obtained using the reference method, cefoxitin disk diffusion testing, making it a powerful method for the rapid detection of MRSA prior to traditional antibiotic resistance testing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle