کاربرد یادگیری ماشین برای شناسایی عوامل خطر عفونت‌های جریان خون در بیماران تحت شیمی‌درمانی
مدل‌های یادگیری ماشین چندبرچسبی، ترکیب‌های مشخصی از سابقه بالینی، بیماری‌های خونی، مدت بستری و مواجهه با شیمی‌درمانی را شناسایی کردند که با بروز عفونت‌های جریان خون در بیماران تحت شیمی‌درمانی ارتباط داشتند. این مطالعه گذشته‌نگر، ۱۴۳۵ مورد عفونت تأییدشده جریان خون را در میان ۱۲۲۰ بیمار بستری‌شده در مؤسسه سرطان ایالت سائوپائولو در برزیل بررسی کرد که طی سال‌های ۲۰۱۷ تا ۲۰۲۲ تحت درمان قرار گرفته بودند. مدل‌ها در مجموعه آزمون، برای عفونت‌های ناشی از باسیل‌های گرم‌منفی مقاوم به کارباپنم بهترین قدرت تفکیک را نشان دادند؛ اما عملکرد آن‌ها در گروه‌های میکروبی دیگر متفاوت بود. پژوهشگران نتایج را مبنایی برای طرح فرضیه‌های جدید دانستند و تأکید کردند که پیش از استفاده از این مدل‌ها در تصمیم‌گیری‌های بالینی، باید اعتبار آن‌ها در مطالعات مستقل تأیید شود.
گروه پژوهشی از چارچوب یادگیری چندبرچسبی استفاده کرد، زیرا هر دوره عفونت می‌توانست شامل بیش از یک میکروارگانیسم مرتبط یا الگوی حساسیت آنتی‌میکروبی باشد. پنج پیامد مورد بررسی عبارت بودند از عفونت جریان خون ناشی از باسیل‌های گرم‌منفی مقاوم به کارباپنم، استافیلوکوک‌های مقاوم به متی‌سیلین، باکتری‌های خانواده انتروباکتریالس مقاوم به سفالوسپورین‌های نسل سوم، عوامل بیماری‌زای قارچی و میکروارگانیسم‌هایی که نه مقاومت چنددارویی داشتند و نه قارچی بودند. اگر یک دوره عفونت با بیش از یک گروه مطابقت داشت، در تمام گروه‌های مربوط ثبت می‌شد و به‌اجبار در یک دسته انحصاری قرار نمی‌گرفت. این روش از آن جهت اهمیت داشت که ۱۶۶ مورد، معادل ۱۱٫۶ درصد کل موارد، چندمیکروبی بودند. در مجموعه نهایی، ۱۶۴۰ میکروارگانیسم از ۱۴۳۵ دوره عفونت جداسازی شده بود.
بیشتر عفونت‌ها در مراحل ابتدایی درمان رخ دادند؛ به‌طوری‌که ۶۰٫۹ درصد آن‌ها در نخستین چرخه شیمی‌درمانی بیمار بروز کردند. عوامل غیرمقاوم به چند دارو یا عوامل قارچی در ۱۱۹۳ مورد، معادل ۸۳٫۱ درصد کل موارد، نقش داشتند؛ درحالی‌که باسیل‌های گرم‌منفی مقاوم به کارباپنم در ۱۰۹ مورد، معادل ۷٫۶ درصد، شناسایی شدند. گونه‌های جداشده از همه شایع‌تر شامل Escherichia coli با سهم ۲۶٫۳ درصدی، Klebsiella pneumoniae با ۱۵٫۵ درصد و Pseudomonas aeruginosa با ۹ درصد بودند. در میان جدایه‌های انتروباکتریالس، ۶٫۶ درصد به سفالوسپورین‌های نسل سوم و ۴٫۷ درصد به کارباپنم‌ها مقاوم بودند. در مجموع باکتری‌های گرم‌منفی، مقاومت به کارباپنم در ۱۰٫۸ درصد موارد مشاهده شد که معادل ۱۱۴ جدایه و ۱۰۹ دوره عفونت بود. میزان مرگ‌ومیر ۳۰روزه در گروه‌های مختلف عفونت بین ۳۰٫۱ تا ۴۰٫۶ درصد متغیر بود و در گروه عفونت‌های ناشی از باسیل‌های گرم‌منفی مقاوم به کارباپنم به ۵۳٫۲ درصد رسید.
هر مشاهده در تحلیل آماری نمایانگر یک چرخه شیمی‌درمانی بود، نه یک بیمار منحصربه‌فرد؛ بنابراین، بیمارانی که چند چرخه درمان را پشت سر گذاشته بودند، می‌توانستند بیش از یک رکورد در مجموعه داده‌ها داشته باشند. متغیرهای توضیحی بالقوه شامل سن، جنس، نوع سرطان، اندازه‌گیری‌های بدنی، نتایج آزمایشگاهی، داروها و گروه‌های دارویی شیمی‌درمانی، عفونت‌های قبلی، مواجهه با داروهای ضدمیکروبی و تعداد روزهای بستری بودند. اطلاعات زمانی نیز از طریق متغیری برای مشخص‌کردن نخستین چرخه درمان، شمار تجمعی عفونت‌های قبلی در هر گروه از عوامل بیماری‌زا و میزان تجمعی مواجهه با داروهای ضدمیکروبی و بستری در ۹۰ روز پیش از هر چرخه وارد مدل شد. همچنین، یک متغیر دودویی مشخص می‌کرد که آیا چرخه درمان در دوره همه‌گیری کووید-۱۹ آغاز شده است یا خیر. مجموعه اولیه شامل ۱۵۰۵ چرخه درمان همراه با عفونت در ۱۲۷۲ بیمار بود. پس از کنارگذاشتن رکوردهای فاقد اطلاعات سن یا جنس، حذف مقادیر غیرعادی قد، وزن و شاخص توده بدنی و مشخص‌کردن نتایج آزمایش خونِ ثبت‌نشده، در نهایت ۱۴۳۵ چرخه از ۱۲۲۰ بیمار وارد تحلیل شدند.
پژوهشگران چهار الگوریتم شامل رگرسیون لجستیک، جنگل تصادفی، پرسپترون چندلایه و تقویت گرادیانی را در قالب زنجیره‌های طبقه‌بندی پیاده‌سازی کردند. در این روش، مدل‌ها برچسب‌های عفونت را به‌ترتیب پیش‌بینی می‌کنند؛ به‌گونه‌ای که خروجی مربوط به یک برچسب قبلی می‌تواند در پیش‌بینی برچسب‌های بعدی به کار رود و وابستگی‌های احتمالی میان گروه‌های عفونت را بازنمایی کند. ابرپارامترها با استفاده از جست‌وجوی شبکه‌ای و اصلاح تجربی در چارچوب اعتبارسنجی متقاطع پنج‌بخشی تنظیم شدند. پژوهشگران یک زیرمجموعه مستقل را برای ارزیابی نهایی و یک‌باره کنار گذاشتند. برای حفظ توزیع بالینی پیامدهای کم‌شیوع، از بازنمونه‌گیری یا وزن‌دهی مجدد داده‌ها استفاده نشد. انتخاب مدل و ارزیابی عملکرد کلی بر اساس میانگین وزنی سطح زیر منحنی مشخصه عملکرد گیرنده، یا AUC-ROC، در پنج گروه انجام شد. سپس، برای برآورد سهم هر متغیر در پیش‌بینی‌ها، روش SHAP یا مقادیر شاپلی برای تبیین پیش‌بینی‌ها (SHapley Additive exPlanations) روی مجموعه آزمون به کار رفت.
بهترین پیکربندی، زنجیره‌ای از ۲۰ جنگل تصادفی بود که هر جنگل ۱۰۰ درخت و حداکثر عمق چهار داشت. این مدل در اعتبارسنجی متقاطع، میانگین وزنی AUC-ROC برابر با ۶۰٫۹۰ درصد و انحراف معیار ۲٫۵۲ درصد به دست آورد؛ میانگین وزنی آن در مجموعه آزمونِ کنارگذاشته‌شده نیز ۶۶٫۳۷ درصد بود. بهترین نتیجه اختصاصی مدل برای عفونت‌های ناشی از باسیل‌های گرم‌منفی مقاوم به کارباپنم به دست آمد؛ در این گروه، AUC-ROC مجموعه آزمون به ۸۳٫۲۵ درصد رسید و فاصله اطمینان ۹۵ درصد آن از ۷۳٫۹۱ تا ۹۱٫۶۴ درصد بود. میانگین دقت برای گروه‌های مختلف از ۶٫۴۰ درصد در انتروباکتریالس مقاوم به سفالوسپورین‌های نسل سوم تا ۹۰٫۸۴ درصد در عفونت‌های ناشی از عوامل غیرمقاوم به چند دارو و غیرقارچی متغیر بود. شبکه عصبی و رگرسیون لجستیک هر دو در اعتبارسنجی متقاطع به AUC-ROC وزنی ۵۹٫۹۶ درصد دست یافتند؛ انحراف معیار این مقدار برای آن‌ها به‌ترتیب ۲٫۸۹ و ۲٫۸۱ درصد بود. میانگین این شاخص برای تقویت گرادیانی ۵۶٫۸۹ درصد و انحراف معیار آن ۱٫۰۳ درصد بود. تفاوت عملکرد خانواده‌های مختلف مدل، در مقایسه با میزان تغییرپذیری نتایج، چندان زیاد نبود و مطالعه برتری آماری هیچ الگوریتمی را اثبات نکرد.
تحلیل SHAP نشان داد که مدت بستری، شیمی‌درمانی تسکینی، بدخیمی‌های خونی، مونوسیتوپنی و ترومبوسیتوپنی از اثرگذارترین متغیرها در گروه‌های مختلف عفونت بودند. در مورد عفونت‌های ناشی از باسیل‌های گرم‌منفی مقاوم به کارباپنم، سابقه عفونت قبلی با همین گروه مهم‌ترین ویژگی مرتبط بود و پس از آن مدت بستری، بدخیمی خونی، ترومبوسیتوپنی و هماتوکریت پایین قرار داشتند. در گروه انتروباکتریالس مقاوم به سفالوسپورین‌های نسل سوم، سابقه مصرف گلیکوپپتیدها، بستری‌شدن، لوسمی حاد، قرارداشتن در دوره همه‌گیری و درمان با آنتی‌متابولیت‌ها از متغیرهای برجسته بودند. عفونت‌های ناشی از استافیلوکوک‌های مقاوم به متی‌سیلین با مدت بستری، بدخیمی خونی، لنفوپنی، سابقه عفونت قارچی و جنس مذکر ارتباط داشتند. برای عفونت‌های قارچی، قرارداشتن در دوره همه‌گیری، جنس مذکر، تعداد روزهای مصرف گلیکوپپتیدها، درمان با عوامل آلکیله‌کننده و مدت بستری مهم‌ترین متغیرها بودند. این نتایج، ارتباط‌هایی را توصیف می‌کنند که در مدل‌ها بازتاب یافته‌اند و نباید آن‌ها را اثرهای علّی مستقل در نظر گرفت.
در مجموع، گروه‌های دارویی شیمی‌درمانی در مقایسه با مدت بستری، سابقه عفونت و بیماری‌های خونی سهم کمتری داشتند؛ بااین‌حال، رتبه آن‌ها بسته به گروه عفونت متفاوت بود. مصرف عوامل آلکیله‌کننده با کاندیدمی، مصرف آنتی‌بیوتیک‌های ضدتومور با عفونت‌های ناشی از باسیل‌های گرم‌منفی مقاوم به کارباپنم و مصرف آنتی‌متابولیت‌ها با عفونت‌های ناشی از انتروباکتریالس مقاوم به سفالوسپورین‌های نسل سوم ارتباط داشت. پژوهشگران تأکید کردند که این ارتباط‌ها به بررسی بیشتر نیاز دارند. متغیر مربوط به دوره همه‌گیری، مهم‌ترین ویژگی مرتبط با عفونت قارچی بود؛ اما نویسندگان در تفسیر آن احتیاط کردند. به گفته آن‌ها، این متغیر ممکن است به‌جای بازتاب اثر مستقیم عفونت با SARS-CoV-2، تغییرات در ارائه خدمات سلامت، شیوه‌های بالینی و مصرف داروهای ضدمیکروبی را نشان داده باشد. به همین ترتیب، مصرف قبلی گلیکوپپتیدها ممکن است عمدتاً نشانگر مواجهه بیشتر با محیط‌های درمانی و استعداد بالاتر ابتلا به عفونت بوده باشد، نه یک عامل خطر اختصاصی برای انتروباکتریالس مقاوم یا عفونت‌های قارچی. شیمی‌درمانی تسکینی نیز با عفونت‌های ناشی از عوامل غیرمقاوم به چند دارو و غیرقارچی ارتباط داشت؛ بااین‌حال، این نتیجه در مقایسه با سایر بیماران تحت شیمی‌درمانیِ واردشده به مطالعه به دست آمده است.
طراحی مطالعه محدودیت‌های مهمی برای تفسیر یافته‌ها ایجاد می‌کند. از آنجا که مجموعه داده‌ها گذشته‌نگر بود و فقط چرخه‌های شیمی‌درمانی همراه با عفونت تأییدشده جریان خون را در بر می‌گرفت، مدل‌ها احتمال مشاهده الگوهای میکروبی مختلف را در میان عفونت‌های موجود برآورد کردند، نه خطر ابتلا به عفونت در کل بیماران تحت شیمی‌درمانی. همچنین، جمعیت بررسی‌شده در یک مرکز ممکن است از نظر ویژگی‌های سرطان و الگوهای مقاومت باکتریایی با بیماران مراکز دیگر تفاوت داشته باشد. شمار موارد در گروه‌های کم‌شیوع عفونت، به‌ویژه عفونت‌های قارچی، نسبتاً اندک بود و این مسئله پایداری برآوردها را کاهش می‌دهد. با اینکه داده‌ها در سطح چرخه شیمی‌درمانی تقسیم شدند، تقسیم‌بندی در سطح بیمار می‌توانست ارزیابی محافظه‌کارانه‌تری از عملکرد مدل در برابر بیمارانی که پیش‌تر مشاهده نشده‌اند، فراهم کند. فاصله اطمینان گسترده برای نتیجه مطلوب مربوط به باسیل‌های گرم‌منفی مقاوم به کارباپنم نیز نشان‌دهنده عدم‌قطعیت قابل‌توجه است. افزون بر این، طراحی گذشته‌نگر مطالعه اجازه نمی‌دهد نتیجه بگیریم که گروه دارویی شیمی‌درمانی، مواجهه با داروهای ضدمیکروبی، بستری یا هر عامل اندازه‌گیری‌شده دیگری باعث بروز عفونت شده است.
در مجموع، این مطالعه نشان می‌دهد که مدل‌سازی چندبرچسبی برای بررسی هم‌زمان چند الگوی عفونت جریان خون در یک گروه از بیماران تحت شیمی‌درمانی امکان‌پذیر است و می‌تواند موارد چندمیکروبی را نیز حفظ کند. بااین‌حال، در نظر گرفتن وابستگی میان برچسب‌های عفونت لزوماً عملکرد پیش‌بینی را بهبود نداد: مدل زنجیره‌ای جنگل تصادفی در اعتبارسنجی متقاطع تنها اندکی بهتر از مدلی عمل کرد که برای هر پیامد، یک طبقه‌بند دودویی مستقل آموزش می‌داد. روشن‌ترین الگوهای شناسایی‌شده به سابقه عفونت مقاوم، مدت بستری، بیماری‌های خونی، کاهش شمار سلول‌های خونی و مواجهه‌های درمانی مربوط بودند؛ درحالی‌که گروه‌های دارویی شیمی‌درمانی ارتباط‌هایی محدودتر و مختص هر گروه نشان دادند. از آنجا که این پژوهش مشاهده‌ای بود، فقط چرخه‌های درمان همراه با عفونت را بررسی کرد و به یک مرکز سرطان در برزیل محدود بود، بهتر است مدل‌های آن را ابزاری برای شکل‌گیری فرضیه‌ها در مطالعات بزرگ‌تر و دارای اعتبارسنجی خارجی بدانیم، نه ابزارهایی تأییدشده برای انتخاب درمان ضدمیکروبی.
موضوع پژوهش: استفاده از یادگیری ماشین چندبرچسبی برای بررسی عوامل خطر عفونت جریان خون در بیماران تحت شیمی‌درمانی
عنوان مقاله: کاربرد یادگیری ماشین برای شناسایی عوامل خطر عفونت‌های جریان خون ناشی از فنوتیپ‌های مختلف مقاومت ضدمیکروبی در بیماران تحت شیمی‌درمانی
مشخصات منبع: Villani Junior, A., Freire, M. P., De Padua Covas Lage, L. A., Lazar Neto, F., Oliveira, M. S., Abdala, E., Nunes, F. L. S., & Levin, A. S. S. (2026). Application of machine learning to identify risk factors for bloodstream infections caused by different antimicrobial resistance phenotypes in chemotherapy patients. Supportive Care in Cancer, 34(11)، مقاله ۱۱۲۷. https://doi.org/10.1007/s00520-026-11379-2
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه دیجیتال مقاله (DOI): 10.1007/s00520-026-11379-2
کلیدواژه‌ها: یادگیری ماشین، عفونت‌های جریان خون، شیمی‌درمانی، مقاومت ضدمیکروبی، مراقبت از بیماران سرطانی، مقاومت به کارباپنم، عفونت‌های قارچی، پیش‌بینی بالینی، بیماری‌های عفونی، مطالعه هم‌گروهی گذشته‌نگر