机器学习可以预测急诊室的细菌尿

泌尿道感染（UTI）是急诊科（ED）诊断出的最常见的细菌感染之一，估计每年发生150至2.50亿UTI1，，，，2^{。尽管美国食品药品监督管理局已将UTI定义为药物开发和批准目的（盒子}）3，迄今为止，尚未普遍接受UTI的临床定义。^{最近对47例成人UTI患者的治疗和预防性研究的系统评价3}表明只有28％的研究需要在其对UTI的定义中存在脓尿。^{此外，有42％的研究报告了使用的每毫升菌落形成单位（CFU/mL）值103}CFU/ML定义阳性尿培养，但其他人则将绝经性妇女描述为具有UTI症状，即使中游^大肠杆菌计数低至102CFU/ML³，，，，^{4。无症状的细菌尿已被定义为100,000 CFU/mL，没有uti的症状和症状。}3，，，，^{5，，，，6，，，，7，但是欧洲泌尿外科协会（EAU）将杆菌定义为103}CFU/ML或任何可检测的微生物生长，具有上映射。^{Box US食品和药物管理局定义简单且复杂的UTI。}美国儿科学会（AAP）将UTI定义为阳性白细胞酯酶测试或pyuria plus'50,000 cfu/ml的致病细菌，可从适当收集的尿液标本，100,000 CFU/ml，或10个清洁捕获量，或10份清除量。

来自映射的CFU/ML⁸。^{但是，儿童可能患有文化阴性的肾盂肾炎，AAP定义错过了UTI8}，，，，^{9，，，，10。在接受UTI测试的炎症尿液标记的小儿患者中，使用10的敏感性}3^{CFU/ML作为截止值为98％，特异性为99％，但截止值为100,000 CFU/ML的灵敏度为70％}11^。EAU定义了儿童阳性尿培养，如下所示：1000次10,000 CFU/mL的单一培养物，上映射的任何细菌生长以及1000 CFU/mL的热潮儿童小于4个月¹²。

对于与导管相关的UTI（CAUTIS），美国感染性疾病社会需要具有归因于cauti的体征和症状，以及在单个标本中通过导管或中型散发标本获得的单个样品中的单个标本中的细菌物种生长出1000 cfu/mL的尿文化。^{13，，，，14}。EAU还将CAUTI定义为具有1000 CFU/mL的文化，但美国疾病控制与预防中心和国家医疗保健安全网络使用100,000 CFU/ml的价值来定义CAUTI^{14，，，，15，，，，16}。

遵守专业社会的建议（用于诊断和管理UTI）很差^{3，，，，5，，，，6，，，，7，，，，13，，，，15，，，，16，，，，17，，，，18，，，，19}。除孕妇外，很少建议对无症状细菌的筛查和治疗⁷。此外，诊断UTI对儿童，老年人，留置导管患者以及某些神经肌肉疾病，神经精神上关注或智力残疾的患者可能具有挑战性²⁰。

因为UTI是美国抗生素使用的最常见原因之一²¹，它们也是不适当使用抗生素的最常见原因之一（即被诊断出的UTI，但尿液培养物最终是阴性的； UTI误诊为另一种疾病并用抗生素治疗；或用非一线推荐抗生素治疗UTI）^{22，，，，23，，，，24，，，，25，，，，26，，，，27}。我们研究的目的是确定机器学习模型是否可以通过仅使用ED患者相遇期间可用的数据来准确预测尿培养物中的微生物生长程度。如果可以准确预测细菌尿的程度，那么临床医生可以使用这些信息来改善UTI的治疗，这可能是通过减少可能具有负尿液培养的患者的抗生素使用，以及减少没有临床明显菌血症的患者的尿液培养数量，并减少尿液培养的数量。

研究设计和设置

Mayo诊所机构审查委员会批准了这项研究，该研究是根据相关指南（例如，三脚架+AI（透明报告）的个人预后或人工智能的多变量预测模型）和法规）和法规进行了批准。²⁸。分析中只有授权使用健康记录进行研究的患者被包括在分析中，并且梅奥诊所机构审查委员会放弃了获得知情同意的患者。我们回顾性地搜索了机构的电子健康记录系统（Epic Corporation），以确定在Mayo Clinic 3校园（明尼苏达州罗切斯特；佛罗里达州杰克逊维尔；亚利桑那州杰克逊维尔；亚利桑那州的杰克逊维尔）和Mayo临床卫生系统（Mayo Clinic Health System（Mayo clinic tocromention in Minnesota，Wisconsin and Eds）Eds Indosemention at [Oneragroment at Informosition at Insopartion in Insopartion in Insopartion，2017年，直到2021年12月31日。

患者

我们创建了一个ED相遇的数据集，最初包括所有患有尿液分析或尿液培养结果的ED患者。没有应用年龄限制。要包含在研究中，记录需要记录ED到达和出发（日期和时间）和ED遇到诊断的记录。尿液分析和尿液培养必须在ED到达后4小时之前订购。对于尿文化，必须记录收集日期和时间，并在样本收集后的10天内记录结果。所有遇到的人包括有记录的事件开始和结束日期和时间，接纳和放电日期和时间，遇到的承认和放电日期以及诊断日期（根据电子健康记录中使用的术语）。我们仅包括报道所有以下尿液研究值的遇到的遇到：红细胞，白细胞，亚硝酸盐，胆红素，白细胞酯酶，葡萄糖，特异性重力，蛋白质，pH，pH，酮，酮和尿位蛋白原。

变量和主要结果

每个患者都有一个独特的诊所号，可以随着时间的推移分析数据，并且数据集中的每一次遇到都会收到唯一的标识符。从每个患者的健康记录中，我们提取了有关人口统计学特征，病史（包括过去的ED尿文化结果，过敏和生殖健康信息）和社会历史的数据。我们还收集了温度，实验室和放射学研究，在知道尿液培养结果之前的诊断，在ED遭遇，医院入院和处置，泌尿生殖器护理程序和流程表以及护士评估的跌倒风险之前，有命令的药物。如果有相关数据，我们计算了既定的炎症估计量（例如，泌尿炎性指数，全身性免疫炎症指数，中性粒细胞 - 淋巴细胞比率，血小板 - 淋巴细胞比率），以及基于实验室测试结果，我们已经制定的（我们已经制定的）（补充1），以及基于实验室测试结果。²⁹。

我们选择了尿培养的三个主要结果：

1. （1）

   没有微生物生长与任何微生物生长（包括混合菌群）。

2. （2）

   €10,000 cfu/ml的细菌物种与所有生物（包括无微生物生长）的10,000 cfu/ml。

3. （3）

   €100,000 cfu/ml的细菌物种与所有生物（包括无微生物生长）的100,000 cfu/ml。

对于我们的次要分析，我们使用了极端梯度提升（XGBOOST）来确定该模型预测可能的假阳性UTI的能力，在该模型中，在知道尿液培养结果之前诊断出UTI诊断出来，并且没有报道尿培养的生长。XGBOOST是一种机器学习方法，它结合了预测模型以创建更强大的模型。我们还研究了该模型预测潜在的真实阳性UTI的良好状态，在该模型中诊断为尿液培养结果之前被诊断出来，并且培养物显示出1日元的100,000 cfu/ml，¥1细菌物种。

诊断

我们通过搜索数据集来确定遇到诊断，包括ED和任何住院诊断国际疾病分类，，，，第十个修订代码和文本字符串（补充2）。我们仅在ED出院日期和时间，事件结束日期和时间，遇到放电日期以及诊断日期均在已知尿液培养结果的日期和时间之前，才将诊断列入算法。

统计分析

每个结果被二进制为1是的和0不。如果在相遇期间未做出特定的诊断，则将其编码为不。同样，如果在ED出院和出发日期，事件结束日期和时间，遇到出院日期或诊断日期之前已知尿培养结果，则诊断结果也被编码为不。缺少数据是通过将其标记为无法使用用于分类数据并使用中位数进行连续变量。在分析中考虑了所有可用的数据（例如，所有可用尿培养物的平均微生物生长）。根据所使用的算法，可以将相同的数据输入连续变量或分类变量。例如，尿液白细胞酯酶数据可以作为一个范围（例如0到4的值）作为定性描述符（例如，例如0到4）（例如，没有任何，，，，痕迹，，，，小的，，，，缓和， 或者大的），或作为二进制变量（展示VS.缺席的）。分类结果是单次编码的。

数据被描述为特征或目标变量。然后将数据随机分为训练和测试集，在测试集中有20％。综合少数族裔过度采样用于为少数族裔类别创建合成样本（解决阶级失衡）。应用了标准标量，然后拟合了一系列模型：逻辑回归分类器，K-Nearest邻居分类器，随机森林分类器，XGBoost分类器和深神经网络分类器。为每个模型应用默认的超参数。XGBoost模型配置了默认设置，并通过Logloss评估指标提早停止回合。神经网络配置了三个密集的层，具有128个神经元（RELU激活），64个神经元（RELU激活）和1个神经元（Sigmoid Activation），在2和2层之间以及2和3层之间的辍学层，以防止过度拟合。应用了早期停止，并用binary_cross熵作为损失函数的ADAM优化器编译了该模型。

报告的性能指标包括准确性，接收器操作特征曲线（AUROC）下的面积，类阳性精度，召回和F1分数。选择了最佳性能的模型以进行其他分析。在测试集上计算出Shapley添加说明（SHAP）值，以解释模型的输出。选择了最高形状值的25个变量进行其他分析，并通过仅使用只有25个变量的数据集重新运行模型。

在研究期间发生的最初的246,712届ED遭遇中，分析中包括48,069个独特个体的62,963次遭遇。中位（IQR）患者年龄为64（39）岁；小儿患者（18岁）占3942例（6.3％）。大多数患者自我识别为女性（40,582次遭遇[64.5％]）。白人患者占56,286次遭遇（89.4％）；黑人，非洲或非裔美国人患者，2919次遭遇（4.6％）；亚洲患者，1241例遭遇（2.0％）；和未披露种族信息或指示的患者其他，2517次遭遇（4.0％）。在补充3和4中总结了实验室测试值和人口统计学特征。在已知尿液培养结果之前，有14,261（22.6％）被诊断出患有UTI的遭遇。其中4096（28.7％）的相遇显示细菌生长<10,000 cfu/ml，这表明这些患者本来可以被不当诊断出患有UTI。

结果1：没有微生物生长与任何微生物生长

18,128种尿培养物（28.8％）没有微生物生长。For encounters with diagnoses established before the urine culture results were known and had no growth in the urine culture, 14,261/62,963 (22.6%) had a UTI or cystitis diagnosis by the treating clinician and 15,326/62,963 (24.3%) had a UTI, cystitis, pyonephrosis, pyelonephritis, ureteritis, or kidney abscess diagnosis由治疗临床医生。

在所有测试的模型中，XGBoost的AUROC最高为86.1％，精度为80.9％（表格 1，补充5）。表中列出了25个具有最高形状值的变量 2;图 1，其中包括尿液分析和人口统计学的发现。尿液分析发现，自我识别的性别，近期抗生素使用，血液培养的命令，尿液培养样本的来源以及对UTI或膀胱炎的诊断是尿培养中无微生物生长的最高预测因子。当仅使用25个具有最高外形值的变量时，AUROC为84.6％，精度为79.0％。

n= 25）。Shap表示Shapley添加性解释。

结果2：€10,000 cfu/ml的¥1有机体vs. <<10,000 cfu/ml的所有生物或无微生物生长

我们确定了26,999个尿培养物（42.9％），细菌生长为10，000 cfu/ml的¥1有机体。对于在尿液培养结果之前建立的诊断的相遇，尿液培养中的1日生物的细菌生长为10,165/62,963（16.1％）（16.1％）的UTI或膀胱炎诊断为10,165/62,963（16.1％），由治疗临床医生和10,977/62,963（17.4％）（17.4％）（17.4％）（17.4％）（17.4％）治疗临床医生的脓后病，肾癌，输尿管炎或肾脓肿诊断。

在所有测试的模型中，XGBoost的AUROC最高为89.1％，准确度为81.2％（Table” 3，补充6）。结果列出了25个具有最高形状值的变量。 2和补充7。尿液分析发现，自我识别的性别，近期抗生素使用，尿培养样本的来源，诊断UTI，膀胱炎，肾盂肾上腺炎，肾盂肾炎，输尿管炎或肾脏脓肿或肾脏脓肿以及肾磷灰石症，尿液症，尿液钙质量的10端尿培养中的细菌物种的CFU/mL。当仅使用25个具有最高外形值的变量时，AUROC为88.1％，精度为80.0％。

最高地形值的变量预测e 10，000 cfu/ml的€1 \ 1日元在尿培养中生长的细菌种类（n= 25）。CFU/ML指示每毫升菌落形成单位，塑造Shapley添加说明。结果3：€100,000 cfu/ml的¥1有机体vs. <<100,000 cfu/ml的所有生物或无微生物生长

我们确定了16,703种尿培养物（26.5％），细菌生长为100,000 cfu/ml，¥1生物体。

对于在尿液培养结果之前建立的诊断的相遇，已知€100,000 cfu/ml细菌的细菌生长在尿培养中的生物体，7625/62,963（12.1％）被诊断为UTI或膀胱炎，以及8271/62,963（13.1％）（13.1％），诊断为PY，肾盂肾炎，输尿管炎或肾脓肿。

在所有测试的模型中，XGBoost的AUROC最高为93.1％，准确度为88.3％（Tableâ 4，补充8）。表中列出了25个具有最高形状值的变量 5;图 3。尿液分析发现，自我识别的性别，近期抗生素使用，UTI史以及尿路炎的诊断，膀胱炎，肾癌，肾盂肾上腺炎，输尿管炎或肾脏脓肿是对100,000 cfu/ml的最高预测因子。当仅使用25个具有最高外形值的变量时，AUROC为92.5％，精度为87.8％。

n= 25）。CFU/ML指示每毫升菌落形成单位，塑造Shapley添加说明。次要结果

我们检查了我们队列的一部分（n

= 14,261）在已知尿液培养结果之前接受诊断为复杂或简单的UTI，并且没有生长（即可能的假阳性UTI诊断）或¥100,000 CFU/mL（可能是真正的阳性UTI诊断）。对于此亚组，XGBoost模型的AUROC为91％，精度为89％。讨论

在经过测试的五个模型中，XGBoost预测微生物的精度最高，无微生物生长的AUROC值为86.1％，¥100,000 CFU/mL的微生物值为93.1％。重要的是，XGBoost可以准确预测在尿液培养结果之前，在临床诊断UTI的患者中，没有微生物的生长与100,000 CFU/mL（AUROC，91％）。在我们的数据集中，有28.7％的ED遇到的UTI诊断最终具有10,000 CFU/mL的尿培养结果。因此，使用XGBoost预测细菌尿可以减少不适当的UTI诊断数量。我们的发现与其他报告相一致，表明XGBoost可以使用标准化的临床数据来预测UTI（AUROC值范围为90％至97％）。^{30，，，，31，，，，32}

我们的算法预测尿液培养结果负面的能力可能最终在临床上最有用。先前的研究表明，与尿液培养的阳性相比^{24，，，，25，，，，26}。我们的研究证实了这些发现。在被诊断出患有UTI，膀胱炎，肾盂肾上腺炎，输尿管炎或肾脓肿的患者中，有24.3％的患者在尿液培养物中没有生长，而17.4％的患者患有17.4％的患者€10,000 cfu/ml的€1亿日元€1¥1的细菌物种在尿液培养基中。

我们的数据集中没有任何ED数据，例如患者的病史和体格检查发现，并且尚不清楚添加这些数据是否会改善我们的模型^{33，，，，34}。一项研究报告说，排练症的敏感性为65％（95％CI，61 h69％），特异性为53％（95％CI，49 ry，57％），阳性可能性比率为1.39（95％CI，1.24-1.54），以及0.565（95％CI），但这些可能性为0.65％，但是这些。年轻45岁以下的白细胞尿症的女性患有细菌尿的可能性较小，而杆菌的可能性更大。³⁵。

XGBoost算法确定为具有最预测能力的许多变量已知是阳性尿培养的预测指标。但是，当我们合并了患者以前的ED遇到的数据（即患者特定病史）时，一些变量成为了我们主要结果的最终预测。由于一次数据集中有76.4％的患者，因此我们预计XGBoost算法的准确性会随着时间的推移而提高，因为越来越多的患者重复进行ED ED遇到（带有尿液分析和尿液培养物），并且已纳入了患者特异性信息。我们还使用实验室测试数据来创建基于比率和数学公式的变量，这些变量是我们结果的最佳预测指标之一。例如，我们表明，如先前报道的那样³⁶。

尿液分析结果是最可预测阳性尿培养的变量之一，这与小儿研究的发现是一致的，该研究对预测尿路表示了尿液，该研究报告了白细胞酯酶的间隔可能性比率（7.32 [95％CI，6.36 - 8.42]）；血红蛋白（2.59 [95％CI，2.32 2.90]）;蛋白质（2.16 [95％CI，1.90 2.47]）;亚硝酸盐（25.35 [95％CI，15.00 42.00]）;和细菌（2.75 [95％CI，2.51 3.03]）9。^{在另一项研究中，递归分区的决策树算法表明，白细胞酯酶，尿液白细胞和细菌是尿液分析发现，可以最好地预测尿液呈阳性的尿液培养（AUROC，77 79％）}37。^{通过ED数据集训练并用初级保健数据集验证的XGBOOST模型可以预测尿培养中的100,000 cfu/ml细菌生长（AUROC，85-88％）具有以下变量：自鉴定的性别，年龄，年龄，氮，白细胞，透明度，透明度，蛋白质和蛋白质；}葡萄糖和血液；排尿症；腹痛；和UTI的历史³³。使用年龄，自我识别的性别，细菌，白细胞酯酶和硝酸盐创建了逻辑回归模型，细菌的AUROC为88％³⁸。一个大的ED数据集评估了211个带有XGBOOST的变量，以预测UTI（尿液培养为10,000 CFU/mL），AUROC为90％；当该模型仅使用10个变量时，AUROC为88％³²。这两种模型的表现都超过了临床判断，作者建议该算法将有1例中的1例重新分类为实际阴性结果，而11例患者中有1例具有假阴性结果的患者中的实际阳性结果。³²。

综上所述，我们认为机器学习在预测尿文化结果并提高UTI的诊断准确性方面有希望^{30，，，，31，，，，32，，，，33，，，，37，，，，38，39}。未来的研究可以评估该模型是否有助于确定不需要正式培养的尿液样本^{40，，，，41}以及该模型是否优于当前的护理标准，这些标准更依赖于临床判断。还需要进行其他研究来验证实施该算法不会增加无症状细菌性抗生素的处方⁵。

限制

我们的数据集包含在ED相遇期间获得的尿液分析和尿液培养数据，因此将其他门诊和住院结果纳入算法可能会提高其性能。我们无法访问患者的历史记录和体格检查发现的文本文档，因此我们不知道我们的算法如何使用门诊练习数据来执行。我们数据集中的患者通常年龄较大，种族多样性有限，并且在地理上受到限制，因此限制了这些发现的普遍性（例如，孕妇百分比较高或性传播感染的患者的人群较高）。

标准医院尿培养物并未鉴定所有细菌物种或所有细菌生长。分子诊断测试比传统培养技术识别更多的细菌物种，但尚不清楚此附加信息是否会改善临床护理⁴²。此外，我们不确定某些或所有具有经典UTI症状但尿液培养性不良的患者是否会受益于抗生素疗法。我们认识到，临床上有意义的细菌可能存在于<10,000 cfu/ml，并承认文献中有关UTI定义的歧义。由于这些原因，我们的算法旨在帮助诊断细菌而不是UTI。

AUROC：

接收器操作特征曲线下的区域

AAP：

美国儿科学会

库蒂：

导管相关的尿路感染

CFU/ML：

每毫升菌落形成单位

欧：

欧洲泌尿外科协会

埃德：

急诊室

Shap：

Shapley添加说明

tripod+ai：

人工智能的个人预后或诊断的多变量预测模型的透明报告

UTI：

尿路感染

XGBoost：

极端梯度提升

作者和隶属关系

1. Department of Emergency Medicine (Sheele), Mayo Clinic, 4500 San Pablo Rd, Jacksonville, FL, 32224, USA

   Johnathan M. Sheele, Ronna L. Campbell & Derick D. Jones

2. Department of Emergency Medicine (Campbell and Jones), Mayo Clinic, Rochester, MN, USA

   Johnathan M. Sheele, Ronna L. Campbell & Derick D. Jones

贡献

J.M.S., R.L.C., D.D.J.: study design;interpretation of the data;critical revision of the manuscript for important intellectual content.J.M.S.: study concept;drafting of the manuscript;acquisition of the data;study supervision.D.D.J.: data analysis.

相应的作者

对应Johnathan M. Sheele。道德声明

The study was approved by the Mayo Clinic institutional review board.

竞争利益

作者没有宣称没有竞争利益。

同意出版

Only data from persons providing research authorization were included in the analysis.

附加信息

关于已发表的地图和机构隶属关系中的管辖权主张，Springer自然仍然是中立的。

补充信息

This article is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License, which permits any non-commercial use, sharing, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if you modified the licensed material.您没有根据本许可证的许可来共享本文或部分内容的改编材料。The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material.If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder.要查看此许可证的副本，请访问http://creativecommons.org/licenses/by-nc-nd/4.0/。重印和权限

关于这篇文章