机器学习在医疗保健领域已经成为一种非常重要的工具，革新了该行业的各个方面。其中之一的主要应用是诊断，机器学习算法分析包括医学图像、基因信息和患者记录在内的大量数据集，以识别模式并进行准确预测。
以前，机器学习模型被用于检测易感染患者并支持感染预防和控制（IPC）计划。这些模型使用了定期收集的大量医学数据，包括电子健康记录（EHR）。虽然经典的机器学习模型在有限的使用案例中可能会显示出有效的结果，但它们无法推广到大规模和长期的EHR数据。
日内瓦大学的研究人员在医疗技术方面取得了突破性进展。他们在医疗保健领域使用了图神经网络（GNN）来检测抗菌药物耐药性（AMR）和多药耐药性（MDR）的肠道杆菌感染。
肠道杆菌通常存在于健康人的肠道中，但如果它们在其他部位定殖并引起感染，对健康非常危险。许多因素导致了医疗环境中这些病原体的增多。
研究人员通过使用图结构对患者和医务人员之间的相互作用进行建模，其中节点及其相互作用形成了描述患者的边。然后，使用图神经网络（GNN）模型对富含临床和时空特征的患者网络进行训练，以学习定植模式。
来自日内瓦大学的教授道格拉斯·特奥多罗表示，核心目标是对医疗环境中的复杂相互作用进行建模，以预测医疗相关感染（HAIs）的传播。该预测结合了关于患者和医务人员的网络信息。他还表示，该研究最重要的信息是分析医疗网络相互作用以提高对HAIs的预测的潜力。该方法可能显著推动医疗环境中的感染预防和控制技术。
特奥多罗还表示，鉴于该方法的基于数据驱动的方法，他们预计其适用性可扩展到具有类似传播动态的其他病原体和各种医疗环境。
该研究包括一个名为基于图的医院感染预测的图片，展示了团队如何应用图神经网络来模拟传播多药耐药性肠道杆菌的复杂模式。该研究旨在改变医院预测和处理感染风险的方式。
这些模型使用了用于重症监护中心的医学信息市场（MIMIC-III）数据集进行训练和评估，并与传统的机器学习基准进行比较。值得注意的是，与基准模型相比，GNN模型在对抗菌敏感（AMS）、AMR和MDR肠道杆菌的早期检测方面表现更好。
研究人员测试了该模型，并发现在使用时空特征识别出由耐万古霉素的肠球菌定植的患者时，接收器操作特性曲线下方的面积（AUROC）性能超过88％。研究人员发现，GNN模型在接收器操作特性曲线下方的面积（AUROC）方面的表现范围为0.91到0.96。这种性能比逻辑回归基准高8％，基准得分为0.88。