Bối cảnh: Các bệnh nhiễm trùng do vi khuẩn kháng kháng sinh gây ra đang đặt ra thách thức lớn cho y tế hiện đại. Bài tổng quan hệ thống này đánh giá hiệu quả của các phương pháp học máy trong việc dự đoán kháng kháng sinh ở các mầm bệnh nguy hiểm, đồng thời xem xét việc kết hợp dữ liệu từ giải trình tự toàn bộ hệ gen và kiểm tra độ nhạy kháng sinh.
Phương pháp: Quá trình tìm kiếm được thực hiện trên các cơ sở dữ liệu bao gồm PubMed/MEDLINE, EMBASE, Web of Science, SCOPUS, và SCIELO từ khi thành lập đến tháng 6 năm 2024. Đề cương tổng quan đã được đăng ký chính thức trên PROSPERO (CRD42024543099).
Kết quả: Tổng quan bao gồm 26 nghiên cứu, phân tích dữ liệu từ 104.141 mẫu vi sinh. Các mô hình Random Forest (RF), XGBoost và hồi quy logistic (LR) là những mô hình có hiệu suất dự đoán cao nhất, với giá trị trung bình của diện tích dưới đường cong (AUC) lần lượt là 0,89, 0,87 và 0,87. RF cho thấy hiệu suất vượt trội với AUC dao động từ 0,66 đến 0,97, trong khi XGBoost và LR có hiệu suất tương đương với AUC lần lượt từ 0,83 đến 0,91 và 0,76 đến 0,96. Phần lớn các nghiên cứu cho thấy việc tích hợp dữ liệu giải trình tự và kiểm tra độ nhạy kháng sinh vào các mô hình học máy giúp cải thiện hiệu suất dự đoán, tăng cường quản lý kháng sinh và cung cấp hỗ trợ quan trọng cho quyết định lâm sàng. Học máy thể hiện tiềm năng lớn trong việc dự đoán kháng kháng sinh khi kết hợp dữ liệu giải trình tự và kiểm tra độ nhạy kháng sinh ở các mầm bệnh nguy hiểm. Cần có các hướng dẫn tiêu chuẩn hóa để đảm bảo tính nhất quán trong các nghiên cứu tương lai.
Từ khóa: Kháng kháng sinh; Học máy; Mô hình dự đoán; Điểm nguy cơ; Giải trình tự toàn bộ hệ gen.
Nguồn: https://pmc.ncbi.nlm.nih.gov/articles/PMC11470768/
Người dịch: Vương Hương
LOBI Vietnam là công ty tiên phong trong lĩnh vực Đọc trình tự gen thế hệ mới NGS (Next Generation Sequencing) và Phân tích Tin sinh học. Liên hệ hotline/Zalo 092.510.8899 để biết thêm chi tiết.
