Early Prediction of Positive Hospital-Acquired MRSA Screening using Deep Learning on Vital Signs Time Series
Notice bibliographique
Résumé
Methicillin-Resistant Staphylococcus Aureus (MRSA) is a major cause of Hospital-Acquired Infections (HAIs), leading to increased morbidity, mortality, and healthcare costs. Early detection is critical for timely intervention, yet current diagnostic methods rely on laboratory testing, which can delay necessary treatments. This study proposes a deep learning-based approach to predict positive MRSA screening outcomes using only time-series vital signs data. Utilizing the MIMIC-IV database, we developed a Bidirectional Long Short-Term Memory (BiLSTM) model trained on six key vital signs: body temperature, heart rate, systolic and diastolic blood pressure, respiratory rate, and oxygen saturation. The model was evaluated across different prediction windows and lookback periods to assess its ability to detect positive MRSA screening before the laboratory confirmation. Results show that a 1-day prediction window achieved an F1-score of 89.19% and an Area Under Receiver Operating Characteristic (AUROC) of 0.96, outperforming the models with 3-day prediction window, which attained an F1-score of 82.67% and an AUROC of 0.93. Compared to recent related studies on the same dataset, this study achieved an overall higher performance. The findings indicate that recent fluctuations in vital signs hold predictive value for early MRSA detection. This approach offers a non-invasive, real-time solution to assist infection control practitioners in proactively mitigating MRSA transmission risks. Using readily available physiological data, this study demonstrates the potential of AI-driven early warning systems in healthcare settings, improving patient outcomes and resource allocation. Future work will focus on integrating additional clinical parameters and enhancing model generalizability across diverse healthcare environments.Clinical relevance - This study introduces a rapid, AI-driven method for predicting positive MRSA screening using only vital signs, enabling early intervention before laboratory confirmation. Implementing such a system in clinical practice could enhance infection control strategies, reduce HAIs, and improve patient safety.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».