Machine learning implementation for host-based infectious disease diagnostics

Technische Samenvatting: Implementatie van Machine Learning voor Gastheer-gebaseerde Diagnostiek van Infectieziekten

Probleemstelling
De vroege identificatie van de etiologie van infectieziekten is cruciaal voor een passende klinische behandeling, maar onzekerheid leidt vaak tot onnodige blootstelling aan antimicrobiële middelen, wat bijdraagt aan de selectie en verspreiding van resistente organismen. Traditionele diagnostische methoden, zoals bacteriële kweken en gerichte PCR, kennen beperkingen wat betreft snelheid, de vereiste van een vermoedelijk organisme en de overlap van aspecifieke inflammatoire biomarkers bij bacteriële, virale en niet-infectieuze condities. Gastheer-gebaseerde diagnostiek, die de biologische respons van de patiënt evalueert (bijv. transcriptomische signaturen, cytokinen, fysiologische signalen) in plaats van het pathogeen direct, biedt een potentiële oplossing. Het integreren van deze diverse datamodaliteiten met machine learning (ML) vereist echter systematische evaluatie om te bepalen welke algoritmen het best geschikt zijn voor specifieke datatypen en hoe de prestaties momenteel in de literatuur worden gerapporteerd.

Methodologie
Deze studie voerde een systematische literatuurreview uit van literatuur gepubliceerd tussen januari 2020 en augustus 2025. De zoektocht maakte gebruik van vier bronnen: Nature, PLOS, PubMed en Elsevier, waarbij bron-specifieke zoekstrings werden gebruikt om studies te vangen die ML toepassen op klinische patiëntgegevens voor pathogeendetectie, infectieclassificatie (bijv. bacterieel versus viraal) of gastheer-responsdiagnostiek.

• Selectiecriteria: Van de 144 opgehaalde records voldeed 51 aan een initiële screening op gastheer-diagnostiek. Na het uitsluiten van studies die ongeschikte ML-diagnostische modellen misten of zich uitsluitend richtten op in vitro systemen, voldeden 21 artikelen aan de uiteindelijke geschiktheidscriteria.
• Data-extractie: De review extraheerde 54 afzonderlijke modelevaluaties uit de 21 artikelen. Deze evaluaties werden gecategoriseerd op basis van inputmodaliteit (gestructureerde klinische variabelen, gen-/moleculaire-expressiemetingen, medische beeldvorming, fysiologische signalen en microscopie) en modelklasse.
• Modelfocus: De analyse richtte zich op vier primaire supervised modelklassen: Random Forest, Neurale Netwerken, Support Vector Machines (SVM) en Logistische Regressie.
• Beoordeling: De auteur evalueerde de consistentie van de rapportage van prestaties en merkte op dat een formele beoordeling van het risico op bias (bijv. PROBAсти) niet werd uitgevoerd vanwege de aanzienlijke heterogeniteit in studie-objectieven en ontwerpen. In plaats daarvan werd de methodologische kwaliteit beschrijvend geëvalueerd tijdens de datasynthese.

Belangrijkste Resultaten

• Modelverdeling: Random Forest was de meest frequent geëvalueerde modelklasse (23 van de 54 evaluaties, 42,6%), gevolgd door Neurale Netwerken (17, 31,5%), Support Vector Machines (9, 16,7%) en Logistische Regressie (5, 9,3%).
• Modaliteitsalignement: Beeldvormingsstudies gaven over het algemeen de voorkeur aan Neural Network-benaderingen, waarschijnlijk vanwege hun vermogen om ruimtelijke kenmerken te leren van hoogdimensionale inputs. Daarentegen maakten studies naar moleculaire expressie frequent gebruik van Random Forests.
• Prestatierapportage: Een directe vergelijking van de modelprestaties tussen studies was niet mogelijk vanwege variaties in inputmodaliteiten, cohortcompositie, preprocessing, validatiestrategieën en gerapporteerde eindpunten.
  • Metrieken: Accuraatheid en de Area Under the Receiver Operating Characteristic Curve (AUC) waren de dominante prestatie-maten. 14 evaluaties rapporteerden enkel accuraatheid, 20 rapporteerden enkel AUC, en 20 rapporteerden beide.
  • Tekortkomingen: Slechts 16 evaluaties (30%) rapporteerden aanvullende klinisch informatieve maten zoals sensitiviteit, specificiteit, F1-score of de Matthews correlation coefficient.
• Generaliseerbaarheid: Het bewijs ondersteunde geen universeel optimaal modelklasse. Prestaties waren sterk afhankelijk van de afstemming tussen het algoritme en de specifieke biologische en technische eigenschappen van de inputdata.

Kernbijdragen

1. Systematische Mapping: Het artikel biedt een uitgebreide mapping van het huidige landschap van gastheer-gebaseerde diagnostische ML, waarbij de prevalentie van specifieke algoritmen over verschillende datamodaliteiten wordt gedetailleerd.
2. Rapportageanalyse: Het benadrukt een aanzienlijk gat in rapportagestandaarden, specifiek de overmatige focus op Accuraatheid en AUC terwijl het onderrapporteren van klasse-specifieke metrieken (sensitiviteit, specificiteit) en kalibratiematen de klinische interpreteerbaarheid van deze modellen beperkt.
3. Contextuele Modelselectie: De review stelt vast dat modelselectie gedreven moet worden door de structuur en beperkingen van de inputdata (bijv. dimensionaliteit, ruisstructuur) in plaats van door het streven naar één superieur algoritme.
4. Translationeel Kader: Het schetst de noodzakelijke stappen voor klinische translatie, inclusioneel de behoefte aan externe validatie, transparante beschrijvingen van preprocessing en de ontwikkeling van ziekte-agnostische outputs (bijv. bacterieel versus viraal versus niet-infectieus) in plaats van pathogeen-specifieke classifiers.

Betekenis en Claims
De auteur claimt dat hoewel gastheer-gebaseerde machine learning duidelijk potentieel heeft om infectieziekteclassificatie te ondersteunen en onnodige antimicrobiële behandeling te verminderen, het veld momenteel wordt gehinderd door methodologische heterogeniteit en inconsistente rapportage. Het artikel stelt dat geen enkele modelklasse uniform superieur is over alle datatypen heen. In plaats daarvan ligt de meest directe kans voor vooruitgang in verbeterde standaardisatie. De auteur betoogt dat consistente rapportage van preprocessing, validatie, hyperparameterselectie en een breder scala aan prestatie-metrieken (voorbij alleen AUC) essentieel is om studies reproduceerbaar en klinisch interpreteerbaar te maken. Toekomstig werk moet prioriteit geven aan generaliseerbare, ziekte-agnostische outputs en gerichte biomarker-panels die gemeten kunnen worden binnen klinisch bruikbare tijdskaders, om deze systemen te transformeren van retrospectieve demonstraties naar waardevolle beslissingsondersteunende instrumenten.