Модель раннего прогнозирования резистентности к антибиотикам на основе многозадачного обучения с использованием многоинституционных когортных данных

Почему это важно для повседневной медицинской практики

Антибиотикорезистентность незаметно превращает ранее излечимые инфекции в опасные для жизни заболевания. Врачам часто приходится назначать антибиотики до того, как лабораторные тесты покажут, какие препараты работают — а это может занять несколько дней. В этом исследовании рассматривается, как компьютерные модели, обученные на данных больниц, могут заранее предупреждать врачей о вероятных неэффективных антибиотиках, помогая защитить пациентов и замедлить распространение устойчивых бактерий.

Антибиотики под давлением

Современная медицина в значительной степени опирается на антибиотики при всем, от плановых операций до онкологического лечения. При этом бактерии эволюционируют быстро, а новые антибиотики появляются медленнее, чем старые теряют свою силу. В Южной Корее, где проводилось это исследование, до трети назначений антибиотиков в стационарах считают нецелесообразными. Культурные тесты, которые показывают, устойчив ли организм к препарату, обычно занимают три-пять дней, вынуждая врачей действовать вслепую. Исследователи поставили задачу предсказывать резистентность к девяти крупным группам антибиотиков, используя только информацию, доступную на раннем этапе госпитализации пациента.

Преобразование больничных данных в ранние предупреждения

Команда проанализировала электронные медицинские записи 59 551 взрослого пациента из трех крупных корейских больниц за более чем десятилетие. Эти записи включали возраст, жизненные показатели, продолжительность пребывания, предыдущий прием антибиотиков и, что важно, результаты предыдущих посевов, показывающие, какие антибиотики уже оказались неэффективны. Вместо обучения девяти отдельных моделей — по одной для каждой группы антибиотиков — они использовали стратегию, называемую многозадачным обучением, которая позволяет одной модели одновременно решать несколько связанных задач прогнозирования. Были протестированы две версии: с общим ядром и отдельными ветвями для каждой группы антибиотиков (жесткое шарирование) и с более свободной связью между задачами (мягкое шарирование).

Решение проблемы неполных лабораторных данных

Реальные больничные данные нерегулярны: не каждому пациенту проводят тесты на все антибиотики. Ранее исследования часто отбрасывали такие частично маркированные случаи, уменьшая наборы данных и игнорируя закономерности, охватывающие разные препараты. В этой работе исследователи переписали правило обучения модели так, чтобы она просто пропускала отсутствующие лабораторные результаты при вычислении ошибки обучения. Это позволило сохранить почти всех пациентов в анализе, даже если некоторые результаты по антибиотикам отсутствовали. Особенно выиграла модель с жестким шарированием, поскольку она могла выявлять общие признаки резистентности, при этом тонко настраивая прогнозы для каждой группы препаратов.

Насколько хорошо работали модели?

При проверке на данных из больниц, с которыми модели не сталкивались ранее, многозадачные модели в целом превосходили более традиционные методы, такие как логистическая регрессия и стандартные алгоритмы бустинга. В среднем модель с жестким шарированием показала наилучшее соотношение точности и стабильности по девяти классам антибиотиков и была особенно сильна для групп препаратов с наименьшим объемом данных, например аминогликозидов. Отдельный анализ, объясняющий вклад признаков в прогнозы, показал, что предыдущая резистентность пациента к антибиотикам была наиболее важным фактором, за ней следовали резистентность или использование родственных препаратов, а также возраст и продолжительность пребывания. Подгрупповые анализы показали, что жесткое шарирование работало лучше, когда были доступны предыдущие посевы для данного антибиотика, а мягкое — предпочтительнее при отсутствии такой истории.

Что это означает для пациентов и клиницистов

Исследование показывает, что разумное использование больничных записей может обеспечить ранний и относительно надежный прогноз резистентности к антибиотикам по нескольким крупным семействам препаратов. Даже умеренное улучшение точности прогнозов, примененное к большому числу пациентов, может помочь врачам раньше выбирать более узконаправленные антибиотики и увереннее отказываться от широкого спектра. Это, в свою очередь, может снизить осложнения, сократить время пребывания в стационаре и замедлить общее распространение резистентности. Авторы предупреждают, что их модель требует дальнейших испытаний и доработок в реальных условиях, особенно при отсутствии истории посевов, но они считают, что многозадачное обучение предлагает перспективный способ лучше использовать несовершенные медицинские данные и поддерживать более осторожное применение антибиотиков.

Цитирование: Kim, Y., Jeong, I., Park, JH. et al. Multi task learning based early prediction model for antibiotic resistance using multi institutional cohort data. Sci Rep 16, 11891 (2026). https://doi.org/10.1038/s41598-026-41185-z

Ключевые слова: антибиотикорезистентность, система поддержки клинических решений, электронные медицинские записи, машинное обучение, многозадачное обучение