Go to page
 

Bibliographic Metadata

Title
Machine learning strategies for identification of bacteraemia / submitted by Franz Ratzinger
Additional Titles
Machine Learning Strategien zur Identifizierung von Bakteriämie
AuthorRatzinger, Franz
Thesis advisorDorffner, Georg
Published2018
Descriptionxii, 118 Blatt : Diagramme
Institutional NoteMedizinische Universität Wien, Diss., 2018
Annotation
Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers
Date of SubmissionOctober 2018
LanguageEnglish
Document typeDissertation (PhD)
Keywords (DE)Maschinelles Lernen / Entscheidungsunterstützung / Modell / Sepsis / Bakteriämie / schwere Infektion / Mikrobiologie / Testung / Mensch
Keywords (EN)Machine learning / Decision support / Model / Sepsis / Bacteraemia / Severe Infection / Microbiology / Testing / Human
URNurn:nbn:at:at-ubmuw:1-18475 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Machine learning strategies for identification of bacteraemia [11.13 mb]
Links
Reference
Classification
Abstract (German)

Schwere Infektionen sind lebensbedrohliche Zustände, die schnelles diagnostisches und therapeutisches Handeln erfordern. Entscheidungsunterstützungssysteme für eine schnellere Erkennung von Patienten mit schweren Infektionen könnten das Überleben der Patienten verbessern oder Patienten vor nicht-notwendigen Medikationen bewahren. Im Rahmen dieser Doktorarbeit wurden verschiedene Ziele von Entscheidungsunterstützungssystemen mit Patienten zweier unterschiedlicher Kohorten evaluiert. Eine retrospektive Kohorte inkludierte Patienten mit klinischem Bakteriämie-Verdacht, die zwischen 2006 und 2010 am Allgemeinen Krankenhaus Wien behandelt wurden. Prospektiv wurden Patienten mit einem Systemischen Inflammatorischen Reaktionssyndrom (SIRS), welche am Allgemeinen Krankenhaus Wien an der Normalstation zwischen Juli 2011 und September 2012 behandelt wurden, rekrutiert. Die Vorhersagekraft von Routineparametern sowie von experimentellen Biomarkern für die Erkennung von Bakteriämie sowie des Bakterientyps wurde erhoben. Machine-Learning-Modelle (ML-Modelle) wurden erstellt, um die Vorhersagekraft der Einzelparameter zu erhöhen. Bei 298 SIRS-Patienten auf der Normalstation zeigte Prokalzitonin (PCT) 0,78 ROC-AUC (95%CI: 0,720,83) für die Vorhersage von Bakteriämie. Bei 466 SIRS-Patienten konnte jedoch diese Vorhersagekraft durch lineare oder nicht-lineare ML Strategien nicht verbessert werden. Eine Random-Forest-Strategie zeigte die beste Vorhersagekraft, welche die diagnostische Vorhersagekraft von PCT nicht verbesserte. In der retrospektiven krankenhausweiten Kohorte mit 15.985 Patienten mit Bakteriämieverdacht wurden Routineparameter für die Bakteriämievorhersage evaluiert. Das beste Modell zeigte 0,80 ROC-AUC (95%CI: 0,760,84), welches in 98,8% negativen Vorhersagewert resultierte. Daten von 1.180 bakteriämischen Patienten wurden verwendet, um Modelle zu erstellen, die zwischen Gram-positiver und Gram-negativer Bakteriämie unterscheiden können. Jedoch schlug dieser Ansatz fehl.

Zusammenfassend gesagt würden ML-Strategien sich eignen, um in unselektierten Kohorten hoch- oder niedrig-Risikopatienten für Bakteriämie zu erkennen. Bei selektierten Patienten erfordert es weitere Studien, welche evaluieren, ob zelluläre oder genetische Marker die Vorhersagekraft von PCT erhöhen.

Abstract (English)

Severe infections are life-threating conditions, requiring fast diagnostic and therapeutic actions. Decision support systems for faster detection of patients with severe infections might improve patients survival rate or prevent patients from receiving unnecessary therapies. Within this thesis, several goals for decision support systems were evaluated using data of two different patient cohorts. A retrospective cohort included patients with clinically suspected bacteraemia treated at Vienna General Hospital between 2006 and 2010. Further, a prospective cohort of patients with systemic inflammatory response syndrome (SIRS) treated at the Vienna General Hospital standard care wards between July 2011 and September 2012 was recruited. The capacity of standard parameters and experimental biomarkers used to identify bacteraemia or the type of bacteria (Gram staining) was evaluated. Machine learning (ML) models were trained to enhance the predictive performance of individual parameters.

Among 298 evaluated standard care patients with SIRS, procalcitonin (PCT) presented 0.78 ROC-AUC (95%CI: 0.720.83) for identifying bacteraemia. However, this discriminatory potency could not be improved by applying linear or non-linear ML strategies, in 466 SIRS patients treated on standard care wards. A random forest strategy showed the best results but failed to improve the diagnostic accuracy of PCT. In a retrospective hospital-wide cohort study including 15,985 patients with suspected bacteraemia, routinely available laboratory parameters were evaluated regarding their predictive capacity to identify bacteraemia. The best model resulted in 0.80 ROC-AUC (95%CI: 0.760.84), which yielded a 98.8% negative predictive value for bacteraemia. Data from 1,180 bactaeremic patients were utilized to establish models for predicting the presence of Gram-positive or Gram-negative bacteraemia, which failed.

In conclusion, ML strategies might be applied in unselected patients to identify high-risk or low-risk patients. For application in selected patients, further studies are required to evaluate the potency of cellular or genetic markers to enhance the capacity of PCT.

Stats
The PDF-Document has been downloaded 5 times.