对抗抗生素耐药性：机器学习能否改善

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Battling Antibiotic Resistance: Can Machine Learning Improve
  Prescribing?》
---
作者：
Michael Allan Ribers and Hannes Ullrich
---
最新提交年份：
2019
---
英文摘要：
  Antibiotic resistance constitutes a major health threat. Predicting bacterial causes of infections is key to reducing antibiotic misuse, a leading driver of antibiotic resistance. We train a machine learning algorithm on administrative and microbiological laboratory data from Denmark to predict diagnostic test outcomes for urinary tract infections. Based on predictions, we develop policies to improve prescribing in primary care, highlighting the relevance of physician expertise and policy implementation when patient distributions vary over time. The proposed policies delay antibiotic prescriptions for some patients until test results are known and give them instantly to others. We find that machine learning can reduce antibiotic use by 7.42 percent without reducing the number of treated bacterial infections. As Denmark is one of the most conservative countries in terms of antibiotic use, this result is likely to be a lower bound of what can be achieved elsewhere.
---
中文摘要：
抗生素耐药性对健康构成重大威胁。预测感染的细菌原因是减少抗生素滥用的关键，抗生素滥用是抗生素耐药性的主要驱动因素。我们根据丹麦的管理和微生物实验室数据训练机器学习算法，以预测尿路感染的诊断测试结果。根据预测，我们制定政策以改进初级保健中的处方，强调当患者分布随时间变化时，医生专业知识和政策执行的相关性。拟议的政策推迟了一些患者的抗生素处方，直到知道检测结果并立即提供给其他患者。我们发现，机器学习可以在不减少已治疗细菌感染数量的情况下，将抗生素使用量减少7.42%。由于丹麦是抗生素使用最保守的国家之一，这一结果可能比其他国家的结果要低。
---
分类信息：

一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Computer Science        计算机科学
二级分类：Computers and Society        计算机与社会
分类描述：Covers impact of computers on society, computer ethics, information technology and public policy, legal aspects of computing, computers and education. Roughly includes material in ACM Subject Classes K.0, K.2, K.3, K.4, K.5, and K.7.
涵盖计算机对社会的影响、计算机伦理、信息技术和公共政策、计算机的法律方面、计算机和教育。大致包括ACM学科类K.0、K.2、K.3、K.4、K.5和K.7中的材料。
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--
一级分类：Statistics        统计学
二级分类：Methodology        方法论
分类描述：Design, Surveys, Model Selection, Multiple Testing, Multivariate Methods, Signal and Image Processing, Time Series, Smoothing, Spatial Statistics, Survival Analysis, Nonparametric and Semiparametric Methods
设计，调查，模型选择，多重检验，多元方法，信号和图像处理，时间序列，平滑，空间统计，生存分析，非参数和半参数方法
--

---
PDF下载：
--> Battling_Antibiotic_Resistance:_Can_Machine_Learning_Improve_Prescribing?.pdf (1.96 MB)

2022-6-24 03:14:41 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：机器学习 耐药性 抗生素 Multivariate distribution

对抗抗生素耐药性：机器学习能改善处方吗？*Michael Allan Ribers+Hannes Ullrich2019年4月30日摘要抗生素耐药性构成重大健康威胁。预测感染的细菌原因是减少抗生素滥用的关键，抗生素滥用是抗生素耐药性的主要驱动因素。我们根据丹麦的管理和微生物实验室数据训练机器学习算法，以预测尿路感染的诊断测试结果。根据预测，我们制定了改善初级保健处方的政策，强调了当患者分布随时间变化时，医生专业知识和政策实施的相关性。拟议的政策推迟了一些患者的抗生素处方，直到知道检测结果，并立即将结果提供给其他患者。我们发现，机器学习可以在不减少已治疗细菌感染数量的情况下，将抗生素使用量减少7.42%。

由于丹麦在抗生素使用方面是最保守的国家之一，这一结果很可能低于其他国家的水平。JEL代码：C10；C55；I11；I18；L38；O38；Q28关键词：抗生素处方；预测策略；机器学习；专家决策*我们从Rolf Magnus Arpi、Lars Bjerrum、Gloria Cristina Cordoba Currea、Greg Crawford、Tomaso Duso、Günter Hitsch、Ulrich Kaiser、Jenny Dahl Knudsen、Sidsel Kyst、ChloéMichel、Jeanine Miklós-Thal、Maria Polyakova、Sherri Rose、Stephen Ryan、Karl Schmedders、Aaron Schwartz、AndréVeiga的反馈中受益匪浅，2018年约翰·霍普金斯大学健康计量经济学年度研讨会、2019年数字化经济学剖腹产会议、2019年里斯本卡托利卡数字经济研讨会，以及DIW Berlin、ESMT Berlin、哥本哈根大学、苏黎世大学和维也纳经济商业大学的INSEINARS参与者。感谢欧洲研究理事会（ERC）根据欧盟2020年研究与创新计划（第802450号赠款协议）提供的财政支持。+DIW Berlin和哥本哈根大学经济系-michael。ribers@econ.ku.dkDIW Berlin、哥本哈根大学（经济系）、苏黎世大学（工商管理系）、柏林消费者政策中心（BCCP）和CESifo-hullrich@diw.de.1机器学习方法和高质量、大规模数据的日益可用性为设计福利改善政策提供了新的机会，这些政策的核心是预测问题（Kleinberg et al.2015，Agrawal et al.2018，Athey 2018）。世界范围内抗生素耐药性的惊人增长构成了这样一个问题。

仅在美国，抗生素耐药性感染每年就导致约2.3万人死亡，200亿美元的直接医疗费用，350亿美元的生产力损失（CDC 2013）。人类对抗生素的消费是抗生素耐药性的主要驱动因素之一。因此，限制抗生素的滥用对于抑制抗生素耐药性的发展至关重要。正确预测细菌与其他感染原因是治疗决策中的一个关键难题。机器学习与基于预测的策略相结合，有可能帮助完成这项具有挑战性的任务，并减少抗生素的滥用。当患者第一次出现感染症状时，用于告知治疗决定的诊断信息是有限的。治疗的质量很大程度上取决于医生的专业知识。此类专业知识包括诊断的有效使用、报告症状的解释，以及能够处理每个患者潜在的大量背景和医学数据。在这些任务中，医生获取的信息通常不编码在决策者可用的数据中，因此很难评估医生的处方实践。另一方面，医生可能无法访问患者的全部背景数据，或者没有时间或技能来分析每个患者的数据。因此，基于管理数据的机器学习预测是否能够为卫生政策提供信息，以改进专家医生的决策，这是一个悬而未决的问题。在本文中，我们提出了基于细菌感染原因机器学习预测的处方政策，并评估了对疑似尿路感染（UTI）患者的专家全科医生治疗决策的改进。

UTI是需要抗生素治疗的最常见感染类型之一，通过尿液样本的微生物分析可以相对容易地诊断出来。然而，实验室检测具有重要和普遍的局限性。抗生素通过杀死或抑制体内细菌的生长来治疗细菌感染。由于抗生素耐药性有可能使肺炎或伤口感染等简单感染成为致命风险，因此疗效正在下降。鉴于抗生素耐药性在生命和治疗费用方面的巨大成本，世界卫生组织认为抗生素耐药性是全球健康面临的最大威胁之一（世界卫生组织，2012年，2014年）。Foxman（2002）报告称，几乎一半的女性一生中患过一次UTI。在美国，包括工作场所缺勤在内的全年UTI相关医疗费用估计为35亿美元（Flores Mireles et al.2015）。根据Bjerrum和Lindaek（2015），每年有10%的女性接受UTI抗生素治疗。结果延迟了几天，相当于抗生素治疗的几乎一个完整疗程。机器学习预测提供了迄今为止尚不可用的瞬时细菌风险评估。我们在2010-2012年丹麦的高维管理数据上训练了一种机器学习算法，即随机森林，以预测初级保健（抗生素处方的主要来源）患者样本实验室检测结果中细菌存在的风险。Outcome变量是一个指示变量，在患者样本中分离出细菌时取一的值，它基于医生在发送样本数天后收到的微生物检测结果。

预测模型中的协变量包括每个患者的门诊医疗索赔历史、过去的抗生素处方、过去的微生物检测结果、一组丰富的个人特征，如性别、年龄、详细的就业状况和类型、教育、收入、公民身份等，以及每个个体家庭成员的相同信息。我们发现，应用于这些数据的机器学习能够很好地预测样本外患者检测结果中细菌感染的实现情况。然而，我们的预测需要评估的相关标准是，它们是否可以用来改进人类专家的决策。为此，我们将处方决策建模为处方的社会成本（即促进耐药性）与抗生素治疗的健康效益之间的权衡。我们以Kleinberg等人（2018）为基础，他们使用机器学习预测被告犯罪的风险，以显示法官保释决定的潜在改进。该模型允许我们根据算法对风险的预测来评估抗生素治疗的重新分配，即推迟低风险患者的处方，直到测试结果可用，并立即给高风险患者开处方。这一重新分配在精神上与Currie和MacLeod（2017）相似，他们评估了低风险妊娠减少ofC部分和高风险妊娠增加的反事实。虽然他们关注的是提高专业知识、特定决策和手术技能的效果，但我们关注的是使用数据驱动预测来提高此类专业知识的潜力。实施基于预测的策略的一个重要挑战是，在实际应用中应用策略规则的患者样本会随着时间的推移而变化，并且是未知的例子。

样本变化不仅影响预测质量。即使预测的质量在美国，几乎一半的抗生素处方都是由初级保健医生开具的（CDC 2015）。在欧洲，初级保健占处方的90%（Llor和Bjerrum，2014）。在丹麦，这里考虑的是，普通医生负责大约75%的抗生素处方（丹麦卫生部2017）。虽然稍微不精确，但我们将使用“内科医生”、“全科医生”和“初级保健医生”“互换性。功能不受样本变化的影响，风险分布随个体在临床中的样本而变化。如果政策规则依赖于此分布，就像我们的应用一样，那么政策规则可能会失去目标。据我们所知，当前文献对机器学习预测进行了反事实的政策评估，例如ost（Bayati et al.2014，Kleinberg et al.2018）。一个例外是使用随机对照实验的工作，如Dubé和Misra（2017），他们表明价格目标计划成功地提高了样本外的企业利润。为了确信仅使用预先确定的参数就可以实现政策目标，需要在分析中采取额外步骤：在应用政策规则之前，不断更新政策参数。我们提出了一个依赖于数据三方分割的过程。第一个分区用于训练预测算法，第二个分区用于确定政策函数的参数，第三个分区用于根据前两步确定的政策评估反事实结果。该程序允许我们将通过基于事前信息确定反事实所能实现的改进与事后可能实现的改进进行比较。

基于这一比较，我们证实了Rose（2018）的谨慎评论，他讨论了根据特定背景随时间或其他维度调整预测算法的潜在需要。基于机器学习预测的政策规范也是如此，这是我们论文的一个微妙但重要的结果。我们发现，在不减少因细菌感染而接受治疗的患者数量的情况下，总体处方可以减少7.42%。相比之下，基于事后信息的总体处方潜在减少率为9.57%。另一种再分配规则保持总体处方不变，同时旨在增加细菌感染患者的抗生素处方。我们表明，这样的规则可以将处方与细菌感染患者之间的匹配度提高6.38%。根据事后信息，经治疗的细菌感染的潜在增长率为7.87%。重要的是，对于这两个目标，我们观察到，70%的患者在最初的咨询日期接受反事实政策的处方，在测试结果之后收到处方。结合估计的24%的自发恢复率，这表明基于机器学习预测的处方与完全信息下的医生选择非常相似。我们进一步提供的证据表明，医生的选择不太可能由抗生素治疗对患者健康益处的异质性所驱动。从基于预测的政策中排除一个特别脆弱的群体，即孕妇，我们发现政策诱导的变化略低，总体处方减少了6.81，细菌感染处方增加了5.56，这些影响的置信区间有很大重叠。

这些观察结果表明，我们确实已经确定了通过将处方从低风险患者重新分配到高风险患者来减少浪费处方的潜力。最后，我们通过评估仅依赖于机器学习预测的再分配规则，强调了将机器学习与医生专业知识相结合的重要性。在目前的情况下，任何不包括医生专业知识的规则都不能改善处方结果。将预测风险的分布与医生的处方决策进行比较，我们发现证据与一些平均过量和不足的处方一致。总的来说，初级保健医生的描述非常有效，反映了丹麦对抗生素使用的保守文化。然而，在预测风险的条件下，我们发现处方选择存在显著差异，这表明专业知识具有异质性。正确治疗大部分预测风险的患者的医生可能具有很高的专业知识，并利用他们可用的数据和诊断技术。我们发现，此类专业知识与诊所规模和将测试样本送往微生物实验室的可能性呈正相关，与医生年龄呈负相关。这些观察结果表明，在更大、更年轻、更倾向于诊断技术和更多接触UTI病例的办公室，诊断程序的标准化和可用性会更强。使用丹麦数据有两个关键优势。首先，丹麦的行政数据在范围和相互关联性方面在世界上是独一无二的。

它们涵盖了大量信息，包括患者和患者家庭成员的个人背景信息、详细的就业历史，以及医疗处方和索赔记录，所有这些都是进行分析所必需的。此外，独特的个人识别器使我们能够将这些数据与从丹麦两家主要医院获得的单独实验室测试结果合并。其次，丹麦是一个抗生素使用率低的国家（Goossens等人，2005年）。2017年，丹麦政府启动了一项国家行动计划，其中一个主要目标是到2020年将抗生素处方总量比2016年减少三分之一（丹麦卫生部，2017年）。因此，我们为丹麦展示的改善可以被视为其他地方可实现改善的下限。我们发现，使用发达国家保险公司或政府机构通常可用的预测因子子集，可以获得类似的结果。然而，如果该子集太小，例如，仅包含患者特征和处方历史，则可实现的处方减少量明显较低，约为完整数据的一半。Kleinberg等人（2015）认为，预测政策问题很重要，也很常见。现有工作考虑了芝加哥枪击案的预测，以犯罪预防计划为目标（Chandler et al.2011），在线评论预测卫生检查（Kang et al.2013），预测意大利针对退税计划的家庭消费反应（Andini et al.2018），以及利用美国的行政数据预测高风险类阿片处方（Hastings et al.2019）。Kleinberg等人（2018年）使用机器学习评估法官保释决定的潜在改善。