Hematolojik maligniteli 1353 hastanın retrospektif verilerinin kullanıldığı bu çalışmada, Escherichia coli, Klebsiella pneumoniae veya Enterobacter cloacae kaynaklı kan dolaşımı infeksiyonlarında (KDİ) antibiyotik direncini öngörmek için çok görevli bir makine öğrenmesi modeli geliştirilmiş. Modeller; karbapenem, beta-laktam veya beta-laktamaz inhibitörü kombinasyonları ve üçüncü veya dördüncü kuşak sefalosporinlere direnci öngörmede orta ila iyi düzeyde performans göstermiş. Eşik değerlerinin klinik hedeflere göre optimize edilmesiyle duyarlılık belirgin biçimde artmış; uygunsuz ampirik tedavide anlamlı bir artış olmadan ampirik karbapenem kullanımının %71.7’den %32.1’e düşürülebileceği hesaplanmış. Uzamış nötropeni, önceki karbapenem kullanımı ve tümör konsolidasyon evresi direnç açısından başlıca öngördürücüler olarak belirlenmiş. Etken türünün modele eklenmesi özellikle sefalosporin direnci tahminini iyileştirmiş. Sonuç olarak geliştirilen modelin, hematolojik maligniteli hastalarda etken tanımlandıktan veya olası etken grubu belirlendikten sonra ampirik antibiyotik seçimini destekleyerek gereksiz karbapenem kullanımını azaltabileceği vurgulanmış. Ancak klinik kullanıma geçmeden önce modelin prospektif ve dış kohortlarda doğrulanması gerektiği belirtilmiş.
Cui Y, Feng X, Shao R, et al. A machine learning-driven multitask framework for antibiotic resistance prediction in Escherichia coli, Klebsiella pneumoniae, and Enterobacter cloacae bloodstream infections among hematological malignancy patients. Antimicrob Resist Infect Control. 10 Temmuz 2026.
