Please use this identifier to cite or link to this item:
https://hdl.handle.net/10216/158969| Author(s): | Rafaela Pinto de Sá |
| Title: | Brave New World of Artificial Intelligence: its use in Antimicrobial Stewardship- a Systematic Review |
| Issue Date: | 2024-04-04 |
| Abstract: | Abstract Background Antimicrobial resistance (AMR) is a growing public health problem in the One Health dimension. Artificial intelligence (AI) in healthcare is emerging since it is helpful to deal with large amounts of data and as a prediction tool. Antimicrobial stewardship programs (ASP) aim to optimize the use of antimicrobials and, therefore, also reduce AMR. Objectives This systematic review explores the use of AI in ASP and summarises the predictive performance of machine learning (ML) algorithms, compared with clinical decisions, in inpatients and outpatients who need antimicrobial prescriptions. Methods This review includes eighteen observational studies of PubMed, Scopus, and Web of Science. Inclusion criteria involved hospital inpatients and outpatients with bacterial infections that need antimicrobial treatment, studies regarding the application of ML in ASP and its predictive performance. The exclusion criteria comprised studies conducted only in vitro, not addressing infectious diseases, or not referencing the use of AI models as predictors. The NIH Quality Assessment Tool for Observational Cohort and Cross-Sectional Studies and PROBAST were used to assess quality and risk of bias. Data such as study type, year of publication, country, study time frame, target population, number of patients, study objective, ML algorithms used, features, and predictors were extracted from the included publications. Results All studies concluded the usefulness of ML algorithms to assist antimicrobial stewardship teams in multiple tasks, such as, identifying inappropriate prescribing practices, choosing the appropriate antibiotic therapy, or predicting AMR. The most extracted performance metric was AUC, which ranged from 0.64-0.992. Conclusions Some limitations of this review include the high-income countries origin of the studies, the exclusive approach of antibacterial use, and the need for external validation. Despite the risks and ethical concerns that AI raises, it can play a positive and promising role in ASP. |
| Description: | Resumo Contexto A resistência antimicrobiana (RAM) é um problema crescente em Saúde Pública na dimensão da One Health. A inteligência artificial (IA) na área da saúde encontra-se em ascensão, uma vez que é útil para lidar com grandes quantidades de dados, bem como ferramenta de previsão. Os programas de gestão antimicrobiana (ASP) visam otimizar a utilização de antimicrobianos e, portanto, também reduzir a RAM. Objetivos Esta revisão sistemática explora o uso da IA nos ASP e resume o desempenho preditivo de algoritmos de machine learning (ML), em comparação com decisões clínicas, em pacientes internados e de ambulatório que necessitam de prescrições de antimicrobianos. Métodos Esta revisão inclui dezoito estudos observacionais da PubMed, Scopus e Web of Science. Os critérios de inclusão envolvem pacientes internados e de ambulatório com infeções bacterianas que necessitam de antibioterapia, estudos referentes à aplicação de ML nos ASP e o seu desempenho preditivo. Os critérios de exclusão incluem estudos realizados apenas in vitro, que não abordem doenças infeciosas ou que não referenciem o uso de modelos de IA como preditores. A NIH Quality Assessment Tool for Observational Cohort and Cross-Sectional Studies e o PROBAST foram utilizados para avaliar a qualidade dos estudos e o risco de viés. Dados como tipo de estudo, ano de publicação, país, período do estudo, população-alvo, número de pacientes, objetivo do estudo, algoritmos de ML utilizados, características e preditores foram extraídos das publicações incluídas. Resultados Todos os estudos concluíram a utilidade dos algoritmos de ML para auxiliar as equipas de gestão de antimicrobianos em múltiplas tarefas, como identificar práticas de prescrição inadequadas, escolher a antibioterapia apropriada ou prever a RAM. A métrica de desempenho mais extraída foi a AUC, que variou de 0,64-0,992. Conclusões Algumas limitações desta revisão sistemática incluem a origem dos estudos em países de altos rendimentos, a abordagem exclusiva do uso de antibioterapia e a necessidade de validação externa dos estudos. Apesar dos riscos e preocupações éticas que a IA levanta, ela pode desempenhar um papel positivo e promissor nos ASP. |
| Subject: | Ciências da saúde Health sciences |
| Scientific areas: | Ciências médicas e da saúde::Ciências da saúde Medical and Health sciences::Health sciences |
| DOI: | 10.34626/z1ch-wq59 |
| TID identifier: | 203753160 |
| URI: | https://hdl.handle.net/10216/158969 |
| Document Type: | Dissertação |
| Rights: | restrictedAccess |
| License: | https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| Appears in Collections: | FMUP - Dissertação |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 674463.pdf Restricted Access | Brave New World of Artificial Intelligence: its use in Antimicrobial Stewardship- a Systematic Review | 1.24 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
