Optimising personalised antibiotic treatment for methicillin-resistant Staphylococcus aureus bloodstream infections in ICU patients using a deep learning–based causal inference approach
Notice bibliographique
Résumé
OBJECTIVE: Methicillin‑resistant Staphylococcus aureus (MRSA) bloodstream infections (BSIs) in intensive care units (ICUs) carry high mortality, and although vancomycin remains standard treatment, daptomycin and linezolid may benefit specific subgroups. This study evaluates the mortality reduction associated with vancomycin, daptomycin, and linezolid using a deep learning-based causal inference model. METHODS: Data were extracted from the Medical Information Mart for Intensive Care (MIMIC)-III and MIMIC-IV databases, including 270 ICU patients with MRSA BSI. A deep learning-based causal inference model was used to assess the treatment effect of linezolid, daptomycin, and vancomycin on in-hospital mortality. Multivariable logistic regression was employed to identify patient characteristics associated with the effectiveness of each antibiotic. RESULTS: The deep learning-based model predicted that vancomycin, daptomycin, and linezolid reduced mortality by 15.86% (17.90% to 13.82%), 9.68% (11.83% to 7.53%), and 10.74% (12.64% to 8.84%), respectively, with vancomycin showing the greatest reduction. The average treatment effect for in-hospital mortality reduction with vancomycin was significantly greater than that with linezolid and daptomycin (both P < 0.001). Multivariable logistic regression for treatment effects revealed that vancomycin was particularly effective in patients of advanced age, those with chronic liver disease, and those with end-stage kidney disease, while it was less effective in patients with congestive heart failure or cancer. Daptomycin exhibited superior efficacy over vancomycin in patients with cancer, and linezolid was more effective in patients with cancer, hypertension, and congestive heart failure. CONCLUSION: This study highlights linezolid and daptomycin treatment in select subgroups, while a deep learning-based model enables personalised antibiotic recommendations for ICU treatment strategies.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».