חיזוי מוקדם של התנחלות על ידי Enterobacterales מייצרי קרבפנמאז בזמן קבלת חולה ביחידת טיפול נמרץ באמצעות למידת מכונה

למה חיידקים מוסתרים בבית החולים חשובים

רבים מהחולים החולים ביותר בבית החולים מטופלים ביחידות טיפול נמרץ (ICU), שבהן שימוש באנטיביוטיקה חזקה והתקנים פולשניים נפוצים. בסביבה זו יכולה קבוצת חיידקי מעי מסוכנת — Enterobacterales המייצרים קרבפנמאז (CPE) — להתבסס בשקט. נשאים של חיידקים אלה עשויים לא להרגיש חולים, אך יכולים להפיצם לאחרים או לפתח מאוחר יותר זיהומים מאיימים על החיים שקשה לטפל בהם. המחקר שואל שאלה מעשית: האם אפשר לצפות, ברגע שמישהו נכנס ל‑ICU, מי כבר נושא CPE כדי שהצוות יוכל להגן על שאר המטופלים בצורה יעילה יותר?

איום שקט ב‑ICU

CPE הם חיידקי מעי שלמדו לעמוד בפני קרבפנמים, חלק מהאנטיביוטיקות החזקות ביותר המשמשות כאשר תרופות אחרות נכשלות. בדרום קוריאה חלה עלייה חדה בזיהומים ב‑CPE בשנים האחרונות, במתאם למגמה עולמית. חולי ICU נמצאים בסיכון גבוה במיוחד כי לרוב הם נשארים בבית החולים זמן רב יותר, עוברים יותר פרוצדורות ומקבלים יותר אנטיביוטיקה מאשר חולים אחרים. בתי חולים יכולים לזהות CPE באמצעות מטוש רקטלי, אך תוצאות המעבדה לוקחות זמן, ולא מעשי לבודד את כל מטופל חדש ב‑ICU עד להגעת הדוח. המחברים ביקשו לבנות כלי המשתמש במידע שכבר קיים בתיק הרפואי בזמן קבלה ל‑ICU כדי להעריך אילו מטופלים סביר שנושאים CPE.

כריית רשומות בית החולים לאיתור רמזים

החוקרים בדקו 4,915 קבלות מבוגרים ל‑ICU בבית חולים גדול בדרום קוריאה בין 2022 ל‑2023. לכל המטופלים הללו נלקחו מטושים רקטליים בתוך 48 שעות מהגעתם ל‑ICU. כ‑9.2 אחוז — 453 אנשים — נמצאו נשאים של CPE. מהרשומות האלקטרוניות הוציאו החוקרים 42 פריטי מידע הזמינים בעת הקבלה, כולל גיל, שהיות בית חולים והשגחה לטווח ארוך לאחרונה, ניתוחים קודמים, מחלות רקע, שימוש קודם באנטיביוטיקה והאם המטופל יש צינורות או קתטרים במקומם. באמצעות משתנים אלה הם השוו עשר גישות למידת מכונה שונות כדי לראות איזו מהן מפרידה בצורה הטובה ביותר בין נשאי CPE ללא‑נשאים.

מודל פשוט עם יכולת שלילה חזקה

במקום להעדיף את האלגוריתם המורכב ביותר, המחקר מצא ששיטה פשוטה יחסית — רגרסיה לוגיסטית — השיגה את האיזון הטוב ביותר לשימוש במציאות הקלינית. עם נקודת חיתוך של סיכון שנבחרה, המודל זיהה נכון כ‑73 אחוז מהנשאים וסיווג 96 אחוז מהלא‑נשאים החזויים כשליליים באמת. במונחים פרקטיים, כאשר הכלי אומר שמטופל אינו צפוי לשאת CPE, הוא כמעט תמיד צודק. זה חיוני לצוותי בקרת זיהומים שצריכים להחליט מי באמת זקוק לחדרי בידוד נדירים. מודלים אחרים, מתוחכמים יותר, היו יותר ספציפיים אך פספסו רבים מהנשאים האמיתיים, מה שהופך אותם לפחות בטוחים למטרה זו.

מי בסיכון הגבוה ביותר?

כדי לשמור על הבנת הכלי על ידי קלינאים, המחברים התמקדו ב‑12 מנבאים מרכזיים. נוכחות ניקוז בכיס המרה — צינור שמנקז מרה מהכבד — הייתה מקושרת לסיכוי הגבוה ביותר לשאת CPE. אותות חזקים נוספים כללו שהייה אחרונה במוסד סיעודי ארוך טווח, נוכחותו של זונדה להזנה או של קתטר ורידי מרכזי, טיפול בסטרואידים לאחרונה, שימוש קודם במספר אנטיביוטיקות ויותר ימים שהייה בבית החולים לפני הכניסה ל‑ICU. היסטוריה של התיישבות או זיהום בחיידק עמיד אחר, Enterococci עמידים לוונקומיצין, גם היא הגבירה את הסיכויים. הצוות השתמש ב‑SHAP (Shapley Additive Explanations), שיטה שמציגה כיצד כל גורם מעלה או מנמיך את סיכון המטופל, כך שהתחזיות היחידניות אינן תיבה שחורה מסתורית.

ממספרים להחלטות למרפסת המיטה

כדי להפוך את המחקר לשימושי מעבר למערך הנתונים, הקבוצה בנתה מחשבון חינמי מבוסס רשת (www.cpepredictor.com). קלינאים יכולים להזין תשובות ל‑14 שאלות פשוטות בעת קבלת החולה ל‑ICU — למשל, האם המטופל לקח לאחרונה אנטיביוטיקה מסוימת או האם יש לו צינורות מסוימים במקום — והכלי מעריך מיד את הסיכוי להתנחלות ב‑CPE. המחברים מדגישים שהמודל מתאים במיוחד כדי לשלול מטופלים בסיכון נמוך, ולא כדי לתייג אנשים בוודאות כנשאים. תוצאה חיובית אמורה להוביל לבידוד מוקדם או לבדיקות מולקולריות מהירות, ולא להחליף תרביות מעבדה רגילות. על אף שהמחקר נערך בבית חולים אחד וידרוש אימות במקומות אחרים, הוא מראה כיצד כלים של למידת מכונה מתוכננים בקפידה וניתנים להבנה יכולים לסייע לבתי חולים לכוון את משאבי בקרת הזיהומים לאן שהם נחוצים ביותר, להפחית את התפשטות החיידקים העמידים מבלי להעמיס עוד על יחידות טיפול נמרץ שכבר מוטלות על גביהן דרישות כבדות.

ציטוט: Kim, J.H., Yang, E., Lee, Y.W. et al. Early prediction of colonization by carbapenemase-producing enterobacterales at ICU admission using machine learning. Sci Rep 16, 6705 (2026). https://doi.org/10.1038/s41598-026-37927-8

מילות מפתח: עמידות אנטיביוטית, יחידת טיפול נמרץ, בקרת זיהומים, למידת מכונה ברפואה, זיהומים נרכשים בבית חולים