编者按：抗菌药物耐药已成为全球医疗领域的棘手难题，传统医院抗菌谱的局限性让经验性用药面临诸多挑战。近日，一项发表于Clinical Infectious Diseases的研究创新性地运用多任务机器学习框架，以电子健康档案为数据支撑，打造出“个性化抗菌谱”，为破解这一困境提供了新路径。该研究不仅实现了多类抗菌药物耐药性的同步预测，更针对性提升了碳青霉烯类耐药性的检出效能，为临床个体化用药决策提供了精准参考。

研究背景

传统的医院抗菌谱仅汇总抗菌药物的总体耐药率，限制了其在个体化抗菌药物选择中的应用价值。现有统计学及机器学习模型多采用单一表型预测模式，忽略了不同耐药谱之间的关联性。本研究基于电子健康档案中的结构化数据，构建了新型多任务极端梯度提升（XGBoost）模型，实现对8类抗菌药物耐药性的同步预测，并在美国退伍军人健康管理局（VHA）体系内完成模型效能验证。

研究方法

本研究为回顾性多中心研究，纳入2017年1月至2024年9月期间，来自127家医院及1400余家诊所的大肠埃希菌和克雷伯菌属菌株。其中2017年1月至2023年9月的数据用于模型构建，2023年10月至2024年9月的数据用于模拟前瞻性验证。同时将该多任务模型的效能，与传统医院抗菌谱及单目标XGBoost模型进行对比。

研究结果

模型训练队列包含536252株大肠埃希菌和246898株克雷伯菌属菌株；验证队列则分别纳入75138株大肠埃希菌和38015株克雷伯菌属菌株。验证数据显示，多任务模型对大肠埃希菌和克雷伯菌属耐药性预测的总体受试者工作特征曲线下面积（AUROC）分别达到0.779和0.810，且对各类抗菌药物耐药性的预测效能均处于良好至优秀水平（AUROC范围：0.743-0.847）。相较于传统模型，多任务模型优化了预测校准度，降低了碳青霉烯类耐药性的假阴性率，同时实现了对所有目标抗菌药物个体化耐药概率的同步预测（即“个性化抗菌谱”）。

研究结论

本研究构建的多任务XGBoost框架，可精准预测常见革兰氏阴性菌的个体化耐药谱，其效能优于传统医院抗菌谱及单目标模型。个性化抗菌谱有助于优化经验性抗菌治疗方案的选择，尤其可提升低流行地区碳青霉烯类耐药性的检出效率。

▌参考文献：

Goto M, Bandyopadhyay A, Shi Q, et al. Personalized Antibiogram: A Novel Multi-Task Machine Learning Framework for Simultaneous Prediction of Antimicrobial Resistance Profile with Enhanced Detection of Carbapenem Resistance in Enterobacteriaceae. Clin Infect Dis. Published online January 17, 2026. doi:10.1093/cid/ciag027