尿路感染（UTI）通常会促使门诊医生开具经验性的抗生素处方，但这种方法可能导致抗生素不匹配的风险。本研究评估了一种名为“UTI Smart-Set”（UTIS）的人工智能驱动决策支持工具对门诊尿路感染抗生素处方模式和不匹配情况的影响。UTIS整合了抗生素耐药性预测、患者数据和指南，形成了一个易于使用的UTI管理订单集。从2021年6月1日至2022年8月31日，共记录了171,010例尿路感染诊断，其中75,630例涉及抗生素处方。UTIS建议的整体接受率为66.0%。在19,287例有尿培养结果的病例中，遵循UTIS建议的抗生素不匹配率显著降低（8.9% vs. 14.2%，p<0.0001）。在18岁以上的女性中，不匹配率降低了47.5%，而在50岁以上的女性中，降低了55.6%（p<0.001）。此外，环丙沙星的使用量总体减少了80.5%（6.4% vs 32.9%，p<0.0001）。UTIS提高了处方准确性，减少了不匹配情况，并最大限度地减少了喹诺酮类药物的使用，突显了人工智能在个性化感染管理中的潜力。
尿路感染（UTI）是成人门诊就诊和抗生素处方的最常见原因之一。然而，尿路病原体对抗生素（特别是喹诺酮类）的耐药性增加，给疾病管理带来了挑战。由于尿培养结果在初次就诊时无法立即获得，UTI的抗生素选择通常是经验性的。选择经验性抗生素疗法需要仔细考虑多个因素，包括患者的背景特征（如年龄、性别、妊娠状况、既往感染史等）、局部耐药性模式和患者偏好。然而，即使考虑了这些参数，UTI管理中仍存在抗生素不匹配的风险。在某些情况下，初始抗生素方案可能需要根据后续的培养数据进行调整。
人工智能（AI）有望预测UTI的耐药性并建议合适的抗生素方案。这些工具分析多种数据来源，包括患者特征和微生物学数据，以预测抗生素耐药的可能性并指导治疗决策。因此，AI工具可以帮助临床医生选择最合适的抗生素，并最大限度地减少广谱抗生素的使用。这可以减少抗生素耐药性的发展风险，降低不良反应的风险，并改善患者预后。
全球已发布了UTI管理和抗生素治疗指南，但研究表明，在门诊环境中，UTI的抗生素使用不当且对本地指南的依从性不足。这种不当治疗包括滥用广谱抗生素、剂量或疗程不当，这些都是导致耐药细菌发展的重要因素。随着尿路病原体耐药性的增加以及对UTI抗生素可用性的担忧，抗菌药物管理计划变得越来越重要。这些计划通过优先选择窄谱和短疗程的方案，平衡风险和收益，以实现最佳效果。实施基于电子健康记录（EHR）的抗菌药物管理计划可以提供及时的临床决策支持系统（CDSS）。然而，关于EHR基CDSS在改善抗菌药物处方行为方面的效用的数据有限，特别是在社区环境和UTI方面。
在这项研究中，我们描述并评估了“UTI Smart order set”（UTIS）在全国范围内的部署情况，这是一个结合可解释CDSS的经验性UTI治疗机器学习模型。UTIS根据个性化AI驱动的抗生素耐药性预测生成UTI的抗生素建议，并适应医疗组织的实践指南以确保适当的抗生素使用。本研究旨在评估该工具在真实世界中的性能、准确性和对抗生素治疗UTI处方模式的影响。
2021年6月1日至2022年8月31日，共记录了171,010例UTI诊断（图1）。在58,517例中，由于未满足启动工具所需的初步标准，UTIS不适用。在112,493例UTIS弹出的病例中，医生在75,630例（67.2%）中开具了抗生素。UTIS抗生素选择建议的整体接受率为66.0%，在整个研究期间保持稳定（最低月值为61%，最高为72%，总体差异小于0.1%）。接受和未接受UTIS建议的患者的demographics和临床特征见表1。
仅34%的UTI诊断后进行了尿培养实验室检查。在75,630例UTIS打开且数据可用的病例中，19,287例（25.5%）有相关抗生素敏感性结果的尿样可用于进一步分析。在一般成人人群中，接受UTIS抗生素选择建议的医生的不匹配率为1124/12,626（9%），而未接受建议的医生的不匹配率为991/6972（16%）。这意味着接受UTIS建议时的不匹配率降低了37.4%（图2）。在18岁及以上的女性中，不匹配率降低了47.5%（n=824/10,975 vs. 927/6479，p<0.001），而在50岁及以上的女性中，降低了55.6%（n=397/5389 vs. 630/3798，p<0.001）。对于孕妇，不匹配率降低了36.6%，但由于样本量较小，差异不显著（n=34/653 vs. 17/207，NS）。
不匹配率具体分析了成人女性（18岁以上）、50岁以上女性和孕妇的抗生素方案（图3）。在女性中，除了磷霉素（p<0.001）外，遵守UTIS显著降低了所有方案的不匹配率，头孢氨苄的显著下降不明显（图3a）。在50岁以上女性中，观察到硝呋妥因、头孢呋辛和环丙沙星的不匹配率显著降低（p<0.001）（图3b）。在孕妇中，硝呋妥因和头孢呋辛的不匹配率显著降低（p<0.001），头孢氨苄的不匹配率有所下降但不显著（图3c）。
图4显示了处方总数与目标值（即六种抗生素的目标值；见方法部分，干预措施，第2部分）之间的差异。每种抗生素方案的差异进行了计算，分别比较了使用UTIS和未使用UTIS的情况。除头孢呋辛外，使用UTIS时，距离目标值的差异显著较小（p<0.0001）。
总体上，女性中环丙沙星和硝呋妥因的处方率进行了比较，分别接受了和拒绝了UTIS建议。对于环丙沙星，使用UTIS时的处方率总体减少了80.5%：49,495例中有3176例（6.4%）接受了UTIS建议，而25,685例中有8459例（32.9%）拒绝了建议（p<0.001）。相反，对于硝呋妥因，接受UTIS建议后的处方率增加了169.2%：49,495例中有13,861例（28.0%）接受了建议，而25,685例中有2677例（10.4%）拒绝了建议（p<0.001）。
这项大规模研究在真实环境中提供了关于UTIS性能的有力数据，这是一种生成个性化建议的决策支持工具，旨在优化个体患者的治疗方案，并作为一套易于使用的建议纳入常规临床实践中。这一创新的AI实现在全国范围内大型门诊医疗系统的界面中成功解决了UTI经验性抗生素治疗选择的常见挑战。接受UTIS建议后，抗生素不匹配率降低了37.4%，环丙沙星的使用率减少了80.5%。
UTIS建议基于Yelin等人13的开创性工作开发。他们回顾性地通过选择最有可能敏感的抗生素，将抗生素不匹配病例减少了30%。然而，在选择适当的抗生素时，还应考虑临床指南、局部耐药性模式和患者的个人因素36。这些考虑因素会影响处方模式，导致抗生素处方率的变化8,37。根据局部抗生素指南和耐药性数据，我们设定了预定的目标抗生素阈值，以更好地选择适当的抗生素。在真实环境中，这种将AI算法与人类专业知识相结合的方法导致了类似的抗生素不匹配率整体减少（37.4%，p<0.001，图4）。然而，接受UTIS建议时仍有9%的不匹配率。这可能是由于复杂病例中的算法限制、缺失或不完整的患者数据或不充分的抗生素目标值。例如，头孢氨苄的不匹配率较高，但处方数量相对较少。因此，未来应重新考虑频率表中目标值的变化。
Kanjilal等人38的研究专门针对非复杂性UTI，而UTIS旨在适用于大多数患者，考虑到临床实践中遇到的多样化的UTI表现。在50岁及以上的女性中，抗生素不匹配率降低了55.6%（p<0.001）。孕妇的抗生素不匹配率也降低了36.6%，但由于病例数较少，差异不显著。假设尿培养主要在复杂性UTI病例中推荐，耐药性较高，如果所有UTI病例都进行尿培养，由于总体较低的耐药率和更准确的数据，UTIS的性能可能会提高。
实现适当抗生素处方的主要障碍之一是在医疗点缺乏实时订单集提供建议39。使用基于机器学习的CDSS作为动态订单集提供了一个可扩展的解决方案，可以在扩大抗生素管理干预的同时提供高度个性化的建议13。我们设定了预定的目标抗生素阈值，以平衡窄谱抗生素的使用和保持临床疗效。例如，环丙沙星是一种广谱抗生素，与潜在副作用相关40，其目标阈值为4%，而硝呋妥因的目标阈值为40%。当接受UTIS建议时，整体趋势接近目标阈值。但由于多种因素，主要是医生的临床判断影响了抗生素的选择和不同药理产品的可用性，完全一致并未实现。然而，接受UTIS建议显著降低了环丙沙星的使用率，提高了硝呋妥因的使用率，这可能反映了该CDSS工具在抗生素管理中的有效性，同时保持了临床疗效。
基础设施和系统的限制可能会阻碍创新操作的应用41。事实上，实施UTIS时遇到了挑战，并提出了具体的解决方案。首先，采用批处理系统架构以保持对当前医疗信息的实时访问。该架构每天处理以生成相关人群的建议，每天产生超过260万条建议。其次，将系统与医生使用的操作遗留系统集成需要严格遵守安全、可用性和性能要求。第三，提供医疗过程中的实时建议需要分离模型训练和预测过程，并采用灵活的、动态的表格驱动的后处理。最后，建立了监控基础设施以跟踪医生的响应，以满足不断变化的用户需求，进行持续分析和系统改进。
在26,123例医生诊断为UTI并打开UTIS的病例中，未开具抗生素治疗（图1）。决定不使用抗生素可能是基于症状的自发缓解，感染可能是自限性的，或仅通过症状治疗而不需抗生素干预，符合Hoffmann等人42的观点。是否需要开具抗菌药物治疗的决定需要进一步研究，以支持未来AI模型的发展，帮助医生做出抗生素处方决策。
值得注意的是，在大约三分之一的病例中，医生未接受UTIS建议，而在他们接受的情况下，不确定医生的选择是否直接受到工具的影响，还是与CDSS建议巧合无关。进一步分析计划是为了剖析接受或拒绝UTIS建议的医生，了解并解决可能存在的障碍。拒绝建议的一个可能原因是，一些医生可能对算法的准确性或可靠性有疑虑，或不完全理解其工作原理43。另一个原因可能是，一些医生可能更倾向于基于临床经验治疗，不愿改变做法。UTIS部署的目标是通过支持临床医生而不削弱其自主权或危及患者安全来增强决策。如果医生严格遵循AI建议而不应用自己的临床判断，可能会过度依赖技术，导致次优的患者结果，因为医生最适合评估每个患者的独特情况。相反，忽视UTIS建议可能会错失改善患者护理的机会，因为该系统旨在提供有价值的见解，简化UTI管理的各个方面，从而减轻临床医生的工作负担。为应对这些风险，UTIS被设计为辅助工具，而不是替代临床判断。此外，UTIS通过定期反馈医生意见不断监测和改进。根据实际性能进行定期审核和更新，以提高准确性并最小化潜在风险，确保系统成为患者护理的安全实用工具。确实，UTIS在MHS系统中的大规模实施可能适用于其他医疗服务。还计划开发基于CDSS的机器学习算法以解决其他感染，如皮肤感染。
存在一些局限性：首先，本研究在以色列的一家健康维护组织（HMO）中进行，因此可能对其他国家或环境（如住院或长期护理设施）的推广性有限。第二，本研究展示了这种AI支持系统在微生物数据和抗生素不匹配方面的可行性和益处，但未涉及临床治愈、复发培养需求或抗生素转换。这些进一步的信息可能会改善模型性能和结果。此外，UTIS是基于UTI诊断触发的，有些病例未触发。对于无症状菌尿症病例，如果系统中已有培养结果，则不会呈现UTIS。最后，敏感性数据可能会随着时间变化而改变临床断点和基础分布，从而降低基于历史数据训练的模型的准确性。
总之，UTIS是一种用于UTI管理的决策支持工具，通过结合AI模型、临床指南和个人患者特征优化了抗生素处方实践，减少了抗生素不匹配，并降低了喹诺酮类药物的使用。本研究代表了利用技术增强临床决策过程和提供个性化感染管理护理的重要一步。
(全文结束)
