Tidig förutsägelse av kolonisation med karbapenemas‑producerande Enterobacterales vid intagningsögonblicket på intensivvårdsavdelningen med maskininlärning

Varför dolda sjukhusbakterier spelar roll

Många av de allvarligast sjuka patienterna vårdas på intensivvårdsavdelningar (IVA), där starka antibiotika och invasiva hjälpmedel är vanliga. I denna miljö kan en farlig grupp tarmbakterier — karbapenemas‑producerande Enterobacterales, eller CPE — tyst etablera sig. Personer som bär dessa bakterier behöver inte känna sig sjuka, men de kan sprida dem till andra eller senare utveckla livshotande infektioner som är svåra att behandla. Denna studie ställer en praktisk fråga: kan vi vid ögonblicket för IVA‑intag förutsäga vem som sannolikt redan bär på CPE, så att personalen bättre kan skydda andra patienter?

Ett tyst hot på IVA

CPE är tarmbakterier som utvecklat resistens mot karbapenemer, några av de starkaste antibiotika som används när andra läkemedel misslyckas. I Sydkorea har CPE‑infektioner ökat kraftigt de senaste åren, i linje med en global trend. IVA‑patienter löper särskilt stor risk eftersom de ofta stannar längre på sjukhuset, genomgår fler procedurer och får fler antibiotika än andra patienter. Sjukhus kan använda rektala prov för att upptäcka CPE, men resultaten tar tid och det är orealistiskt att isolera varje ny IVA‑patient tills laboratorierapporten kommer. Författarna ville bygga ett verktyg som använder information som redan finns i journalen vid IVA‑intag för att uppskatta vilka patienter som sannolikt är CPE‑bärare.

Utnyttja journaldata för ledtrådar

Forskarna undersökte 4 915 vuxna IVA‑inskrivningar vid ett stort sjukhus i Sydkorea mellan 2022 och 2023. Alla dessa patienter fick rektala prov tagna inom 48 timmar efter ankomst till IVA. Omkring 9,2 procent — 453 personer — visade sig vara koloniserade med CPE. Från de elektroniska journalerna hämtade teamet 42 uppgifter som fanns tillgängliga vid intag, inklusive ålder, nyligen sjukhus‑ och långtidstvårdsvistelser, tidigare operationer, underliggande sjukdomar, tidigare antibiotikaanvändning och om patienten hade slangar eller katetrar. Med dessa variabler jämförde de tio olika maskininlärningsmetoder för att se vilken som bäst skilde ut CPE‑bärare från icke‑bärare.

En enkel modell med stark uteslutningsförmåga

I stället för att favorisera den mest komplexa algoritmen fann studien att en relativt enkel metod — logistisk regression — gav den bästa balansen för verklig användning. Med ett valt risk‑tröskel identifierade modellen korrekt cirka 73 procent av bärarna och klassificerade 96 procent av de förutsagda icke‑bärarna som verkligen negativa. I praktiska termer, när verktyget säger att en patient sannolikt inte bär CPE, har det nästan alltid rätt. Detta är avgörande för infektionskontrollteam som måste besluta vilka som verkligen behöver de knapphändiga isoleringsrummen. Andra, mer sofistikerade modeller var mer specifika men missade många verkliga bärare, vilket gör dem mindre säkra för detta syfte.

Vem löper störst risk?

För att göra verktyget begripligt för kliniker fokuserade författarna på 12 nyckelfaktorer. Att ha ett biliärt drän — en slang som dränerar galla från levern — var kopplat till högst odds för CPE‑bärarskap. Andra starka signaler var nylig vistelse på en långtidsvårdsinrättning, närvaro av en nasogastrisk sond eller en central venkateter, nyligen steroidbehandling, tidigare användning av flera antibiotika och fler vårddagar före IVA‑intag. En tidigare historia av kolonisation eller infektion med en annan hård bakterie, vankomycinresistenta Enterokocker, ökade också sannolikheten. Teamet använde SHAP (Shapley Additive Explanations), en metod som visar hur varje faktor skjuter en patients risk upp eller ner, så att enskilda förutsägelser inte blir en mystisk „black box”.

Från siffror till beslut vid sängkanten

För att göra forskningen användbar utanför datamängden byggde teamet en gratis webbaserad räknare (www.cpepredictor.com). Kliniker kan fylla i svar på 14 enkla frågor vid IVA‑intag — till exempel om patienten nyligen tagit vissa antibiotika eller har särskilda slangar på plats — och verktyget uppskattar omedelbart chansen för CPE‑kolonisation. Författarna understryker att modellen bäst används för att utesluta patienter med låg risk, inte för att definitivt märka personer som bärare. Ett positivt resultat bör leda till tidig isolering eller snabb molekylärtestning, och inte ersätta standardodlingar. Trots att studien genomfördes vid ett enda sjukhus och behöver validering på andra håll visar den hur omsorgsfullt utformade, tolkningsbara maskininlärningsverktyg kan hjälpa sjukhus att rikta infektionskontrollresurser dit de behövs mest, minska spridningen av högresistenta bakterier utan att överbelasta redan ansträngda IVA.

Citering: 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

Nyckelord: antibiotikaresistens, intensivvårdsavdelning, infektionskontroll, maskininlärning inom medicin, vårdboendeinfektioner