Ранняя предсказание колонизации энтеробактерий, продуцирующих карбапенемазы, при поступлении в ОРИТ с помощью машинного обучения

Почему скрытые госпитальные микробы имеют значение

Многие из самых тяжело больных пациентов находятся в отделениях интенсивной терапии (ОРИТ), где часто применяют мощные антибиотики и инвазивные устройства. В таких условиях опасная группа кишечных бактерий — энтеробактерии, продуцирующие карбапенемазы (CPE) — может незаметно закрепиться. Носители этих микроорганизмов могут не ощущать болезнь, но они способны распространять их или позднее развить угрожающие жизни инфекции, которые трудно лечить. В исследовании задают практический вопрос: можно ли предсказать в момент поступления в ОРИТ, кто уже, вероятно, является носителем CPE, чтобы персонал мог эффективнее защищать других пациентов?

Тихая угроза в ОРИТ

CPE — это кишечные бактерии, выработавшие устойчивость к карбапенемам, одним из самых сильных антибиотиков, применяемых при неэффективности других средств. В Южной Корее в последние годы число инфекций, вызванных CPE, резко выросло, повторяя глобальную тенденцию. Пациенты ОРИТ особенно рискуют, поскольку они чаще дольше остаются в стационаре, проходят больше процедур и получают больше антибиотиков, чем другие пациенты. Врачи могут выявлять CPE с помощью ректальных мазков, но анализы занимают время, и нереалистично помещать каждого нового пациента в ОРИТ в изоляцию до получения лабораторного результата. Авторы поставили задачу создать инструмент, который, опираясь на данные, уже имеющиеся в медицинской карте в момент поступления в ОРИТ, оценит, какие пациенты вероятно являются носителями CPE.

Поиск подсказок в больничных записях

Исследователи проанализировали 4 915 госпитализаций взрослых пациентов в ОРИТ крупной больницы Южной Кореи в 2022–2023 годах. У всех этих пациентов в течение 48 часов после поступления брали ректальные мазки. Примерно 9,2 процента — 453 человека — оказались колонизированы CPE. Из электронной медицинской карты команда извлекла 42 показателя, доступных при поступлении: возраст, недавние пребывания в больнице и в учреждениях долгосрочного ухода, перенесённые операции, сопутствующие заболевания, предшествующее применение антибиотиков и наличие трубок или катетеров. С этими переменными они сравнили десять различных подходов машинного обучения, чтобы выяснить, какой из них лучше всего отделяет носителей CPE от неносителей.

Простая модель с высокой способностью исключать

Вместо предпочтения самой сложной алгоритмической схемы исследование показало, что относительно простая методика — логистическая регрессия — обеспечивает наилучший баланс для практического применения. При выбранном пороге риска модель правильно идентифицировала около 73 процентов носителей и классифицировала 96 процентов предсказанных неносителей как действительно отрицательных. Практически это означает: когда инструмент говорит, что пациент вряд ли является носителем CPE, он почти всегда прав. Это критично для команд контроля инфекций, которым приходится решать, кто действительно нуждается в дефицитных изоляционных палатах. Другие, более сложные модели были более специфичны, но пропускали многих реальных носителей, что делает их менее безопасными для этой цели.

Кто в зоне наибольшего риска?

Чтобы сохранить понятность инструмента для клиницистов, авторы сосредоточились на 12 ключевых предикторах. Наличие билиарного дренажа — трубки для отведения желчи из печени — было связано с наибольшим повышением шансов носительства CPE. Другие сильные сигналы включали недавнее проживание в учреждении долгосрочного ухода, наличие назогастральной трубки для кормления или центрального венозного катетера, недавнюю терапию стероидами, предшествующее применение нескольких антибиотиков и большее число дней, проведённых в больнице до поступления в ОРИТ. Также повышали шансы в анамнезе колонизация или инфекция другим устойчивым микроорганизмом — энтерококком, устойчивым к ванкомицину. Команда использовала SHAP (Shapley Additive Explanations) — метод, показывающий, как каждый фактор повышает или понижает риск пациента, чтобы отдельные прогнозы не выглядели как «чёрный ящик».

От чисел к решениям у постели больного

Чтобы сделать исследование применимым за пределами набора данных, команда создала бесплатный веб-калькулятор (www.cpepredictor.com). Клиницисты могут ввести ответы на 14 простых вопросов при поступлении в ОРИТ — например, принимал ли пациент недавно определённые антибиотики или есть ли у него какие‑то трубки — и инструмент моментально оценивает вероятность колонизации CPE. Авторы подчёркивают, что модель лучше использовать для исключения пациентов с низким риском, а не для окончательной маркировки людей как носителей. Положительный результат должен побудить к ранней изоляции или быстрому молекулярному тестированию, но не заменять стандартные лабораторные посевы. Хотя исследование проведено в одной больнице и требует валидации в других учреждениях, оно демонстрирует, как тщательно продуманные и интерпретируемые инструменты машинного обучения могут помочь больницам направлять ресурсы контроля инфекций туда, где они наиболее нужны, сокращая распространение высокоустойчивых бактерий, не перегружая и без того напряжённые отделения интенсивной терапии.

Цитирование: 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

Ключевые слова: антибиотикорезистентность, отделение интенсивной терапии, контроль инфекций, машинное обучение в медицине, внутрибольничные инфекции