Published November 1, 2021 | Version v1
Publication Open

1248. A Machine-Learning Approach to Predict the Cefazolin Inoculum Effect in Methicillin-Susceptible <i>Staphylococcus aureus</i>

Creators

  • 1. Universidad El Bosque
  • 2. The University of Texas Health Science Center at Houston
  • 3. Baylor College of Medicine
  • 4. University of Texas Health Science Center at Dallas

Description

Abstract Background The cefazolin (Cz) inoculum effect (CzIE), defined as an increase in the Cz MIC to ≥16 µg/mL at high inoculum (107 CFU/mL), has been associated with poor outcomes in MSSA bacteremia and osteomyelitis. The CzIE is associated with the BlaZ β-lactamase, encoded by blaZ and regulated by BlaR (antibiotic sensor) and BlaI (transcriptional repressor). Here, we aimed to obtain a machine-learning (ML) model to predict the presence of the CzIE based on the nucleotide sequence of the entire bla operon and its regulatory components. Methods Using whole genome sequencing, we analyzed the nucleotide sequences of the entire bla operon in 436 MSSA isolates recovered from blood, soft-tissue infections or pneumonia in adults (training-testing cohort, prevalence of the CzIE: 46%). Also, 32 MSSA recovered from pediatric patients with osteomyelitis with the CzIE were included as validation cohort. The CzIE was determined by broth microdilution at high inoculum. K-mer counts were obtained from the bla operon sequences of the isolates from the testing-training cohort, and then used in a ML pipeline which i) discards uninformative K-mers, ii) identifies optimal hyper-parameters and, iii) performs training of the model using 70% of the sequences as training set and 30% as testing set. The pipeline tested 11 different K-mer sizes and 2 models: Logistic Regression (LR) and Support Vector Machine (SVM). Finally, the model with best predictive ability was applied to the sequences of the MSSA osteomyelitis isolates (validation cohort). Results The ML approach had high specificity ( >90%), accuracy ( >80%) and ROC-AUC values ( >0.7) for detecting the CzIE in the testing set of isolates (Figure 1), independently of the type of model or the K-mer size used. The best predictive ability was with LR using K-mers of 17 nucleotides, with an accuracy of 84%, specificity of 96%, and sensitivity of 70% in the testing set (Figure 2). In the validation cohort, the model was capable to correctly identify all the strains exhibiting the CzIE (100% sensitivity). Figure 1. Prediction metrics of the ML pipeline for the detection of the CzIE in MSSA isolates from the training-test cohort. Predictions are shown accordingly to the model and K-mer sizes tested. Figure 2. ROC of best predictive model (Logistic Regression, K-mer size 17) for the detection of the CzIE in MSSA isolates. Conclusion The ML approach is a promising genomic application to detect the CzIE in MSSA isolates of a variety of sources, bypassing phenotypic testing. Further validation is needed to evaluate its possible utility in clinical settings. Disclosures Jonathon C. McNeil, MD, Agency for Healthcare Research and Quality (Research Grant or Support)Allergan (Grant/Research Support)Nabriva (Grant/Research Support, Other Financial or Material Support, Site PI for a multicenter trial) Anthony R. Flores, MD, MPH, PhD, Nothing to disclose Sheldon L. Kaplan, MD, Pfizer (Research Grant or Support) Cesar A. Arias, M.D., MSc, Ph.D., FIDSA, Entasis Therapeutics (Grant/Research Support)MeMed Diagnostics (Grant/Research Support)Merk (Grant/Research Support) Lorena Diaz, PhD , Nothing to disclose

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

خلفية الملخص ارتبط تأثير تطعيم السيفازولين (CzIE)، الذي تم تعريفه على أنه زيادة في ميكروفون Cz إلى ≥16 ميكروغرام/مل في التطعيم العالي (107 CFU/مل)، بنتائج سيئة في جراثيم MSSA والتهاب العظم والنقي. يرتبط CzIE بـ BlaZ β - lactamase، الذي يتم ترميزه بواسطة blaZ وينظمه BlaR (مستشعر المضادات الحيوية) و BlaI (كابت النسخ). هنا، كنا نهدف إلى الحصول على نموذج التعلم الآلي (ML) للتنبؤ بوجود CzIE بناءً على تسلسل النيوكليوتيدات لمشغل BLA بأكمله ومكوناته التنظيمية. الطرق باستخدام تسلسل الجينوم الكامل، قمنا بتحليل تسلسل النيوكليوتيدات لمشغل BLA بأكمله في 436 عزلات MSSA تم استردادها من الدم أو التهابات الأنسجة الرخوة أو الالتهاب الرئوي لدى البالغين (مجموعة اختبار التدريب، انتشار CzIE: 46 ٪). أيضا، تم تضمين 32 MSSA تعافى من مرضى الأطفال الذين يعانون من التهاب العظم والنقي مع CzIE كفوج التحقق من الصحة. تم تحديد CzIE عن طريق التخفيف الدقيق للمرق في اللقاح العالي. تم الحصول على أعداد K - mer من تسلسلات BLA Operon للعزلات من مجموعة التدريب الاختباري، ثم تم استخدامها في خط أنابيب ML الذي 1) يتجاهل K - mers غير المفيدة، 2) يحدد المعلمات الفائقة المثلى و 3) يقوم بتدريب النموذج باستخدام 70 ٪ من التسلسلات كمجموعة تدريب و 30 ٪ كمجموعة اختبار. اختبر خط الأنابيب 11 حجمًا مختلفًا من K - mer ونموذجين: الانحدار اللوجستي (LR) وآلة ناقلات الدعم (SVM). أخيرًا، تم تطبيق النموذج الذي يتمتع بأفضل قدرة تنبؤية على تسلسل عزلات التهاب العظم والنقي MSSA (مجموعة التحقق من الصحة). النتائج كان لنهج غسل الأموال خصوصية عالية (>90%) ودقة (> 80%) وقيم ROC - AUC (> 0.7) للكشف عن CzIE في مجموعة اختبار العزلات (الشكل 1)، بغض النظر عن نوع النموذج أو حجم K - mer المستخدم. كانت أفضل قدرة تنبؤية مع LR باستخدام K - mers من 17 نيوكليوتيدات، بدقة 84 ٪، وخصوصية 96 ٪، وحساسية 70 ٪ في مجموعة الاختبار (الشكل 2). في مجموعة التحقق من الصحة، كان النموذج قادرًا على تحديد جميع السلالات التي تظهر CzIE (حساسية 100 ٪) بشكل صحيح. الشكل 1. تعزل مقاييس التنبؤ لخط أنابيب ML للكشف عن CzIE في MSSA عن مجموعة اختبار التدريب. يتم عرض التنبؤات وفقًا للنموذج وأحجام K - mer التي تم اختبارها. الشكل 2. ROC لأفضل نموذج تنبؤي (الانحدار اللوجستي، حجم K - mer 17) للكشف عن CzIE في عزلات MSSA. الاستنتاج نهج التعلم الآلي هو تطبيق جينومي واعد للكشف عن CzIE في عزلات MSSA لمجموعة متنوعة من المصادر، متجاوزًا اختبار النمط الظاهري. هناك حاجة إلى مزيد من التحقق من الصحة لتقييم فائدتها المحتملة في البيئات السريرية. الإفصاحات جوناثان سي ماكنيل، دكتوراه في الطب، وكالة أبحاث الرعاية الصحية والجودة (منحة بحثية أو دعم)ألرغان (منحة/دعم بحثي)نابريفا (منحة/دعم بحثي، دعم مالي أو مادي آخر، الباحث الرئيسي في الموقع لتجربة متعددة المراكز) أنطوني ر. فلوريس، دكتوراه في الطب، MPH، دكتوراه، لا شيء للكشف عن شيلدون ل. كابلان، دكتوراه في الطب، فايزر (منحة بحثية أو دعم) سيزار أ. أرياس، دكتوراه في الطب، ماجستير، دكتوراه، FIDSA، Entasis Therapeutics (منحة/دعم بحثي) MeMed Diagnostics (منحة/دعم بحثي)ميرك (منحة/دعم بحثي) لورينا دياز، دكتوراه ، لا شيء للكشف

Translated Description (French)

Résumé Contexte L'effet inoculum de la céfazoline (Cz) (CzIE), défini comme une augmentation de la CMI Cz à ≥16 µg/mL à un inoculum élevé (107 UFC/mL), a été associé à de mauvais résultats dans la bactériémie et l'ostéomyélite MSSA. Le CzIE est associé à la β-lactamase BlaZ, codée par blaZ et régulée par BlaR (capteur antibiotique) et BlaI (répresseur transcriptionnel). Ici, nous avons cherché à obtenir un modèle d'apprentissage automatique (ML) pour prédire la présence du CzIE à partir de la séquence nucléotidique de l'ensemble de l'opéron bla et de ses composantes régulatrices. Méthodes En utilisant le séquençage du génome entier, nous avons analysé les séquences nucléotidiques de l'opéron bla entier dans 436 isolats de MSSA récupérés du sang, des infections des tissus mous ou de la pneumonie chez l'adulte (cohorte de formation-test, prévalence du CzIE : 46%). De plus, 32 MSSA récupérées de patients pédiatriques atteints d'ostéomyélite avec le CzIE ont été incluses comme cohorte de validation. Le CzIE a été déterminé par microdilution en bouillon à haut inoculum. Les comptages de K-mer ont été obtenus à partir des séquences d'opérons bla des isolats de la cohorte de formation-test, puis utilisés dans un pipeline ML qui i) élimine les K-mers non informatifs, ii) identifie les hyper-paramètres optimaux et iii) effectue la formation du modèle en utilisant 70% des séquences comme ensemble de formation et 30% comme ensemble de test. Le pipeline a testé 11 tailles K-mer différentes et 2 modèles : Logistic Regression (LR) et Support Vector Machine (SVM). Enfin, le modèle ayant la meilleure capacité prédictive a été appliqué aux séquences des isolats d'ostéomyélite MSSA (cohorte de validation). Résultats L'approche ML avait une spécificité (> 90 %), une précision (> 80 %) et des valeurs roc-AUC (> 0,7) élevées pour détecter le CzIE dans l'ensemble d'isolats testés (Figure 1), indépendamment du type de modèle ou de la taille K-mer utilisée. La meilleure capacité prédictive était avec LR en utilisant des K-mères de 17 nucléotides, avec une précision de 84%, une spécificité de 96% et une sensibilité de 70% dans l'ensemble de tests (Figure 2). Dans la cohorte de validation, le modèle était capable d'identifier correctement toutes les souches présentant le CzIE (sensibilité 100%). Figure 1. Métriques de prédiction du pipeline ML pour la détection du CzIE dans les isolats MSSA de la cohorte de test de formation. Les prédictions sont affichées en fonction du modèle et des tailles de K-mer testées. Figure 2. roc du meilleur modèle prédictif (Régression Logistique, K-mer taille 17) pour la détection du CzIE dans les isolats de MSSA. Conclusion L'approche ML est une application génomique prometteuse pour détecter le CzIE dans des isolats MSSA de diverses sources, en contournant les tests phénotypiques. Une validation plus poussée est nécessaire pour évaluer son utilité possible en milieu clinique. Divulgations Jonathon C. McNeil, MD, Agency for Healthcare Research and Quality (Research Grant or Support)Allergan (Grant/Research Support)Nabriva (Grant/Research Support, Other Financial or Material Support, Site PI for a multicenter trial) Anthony R. Flores, MD, MPH, PhD, Rien à divulguer Sheldon L. Kaplan, MD, Pfizer (Research Grant or Support) Cesar A. Arias, MD, MSc, Ph.D., FIDSA, Entasis Therapeutics (Grant/Research Support)MeMed Diagnostics (Grant/Research Support)Merk (Grant/Research Support) Lorena Diaz, PhD , Rien à divulguer

Translated Description (Spanish)

Antecedentes abstractos El efecto del inóculo de cefazolina (Cz) (CzIE), definido como un aumento en la CMI de Cz a ≥16 µg/ml con un inóculo alto (107 UFC/ml), se ha asociado con malos resultados en la bacteriemia y la osteomielitis por MSSA. El CzIE está asociado a la BlaZ β-lactamasa, codificada por blaZ y regulada por BlaR (sensor antibiótico) y BlaI (represor transcripcional). Aquí, nuestro objetivo fue obtener un modelo de aprendizaje automático (ML) para predecir la presencia de CzIE en función de la secuencia de nucleótidos de todo el operón bla y sus componentes reguladores. Métodos Utilizando la secuenciación del genoma completo, analizamos las secuencias de nucleótidos de todo el operón bla en 436 aislados de MSSA recuperados de sangre, infecciones de tejidos blandos o neumonía en adultos (cohorte de pruebas de entrenamiento, prevalencia de CzIE: 46%). Además, se incluyeron 32 MSSA recuperados de pacientes pediátricos con osteomielitis con la CzIE como cohorte de validación. El CzIE se determinó mediante microdilución en caldo con un inóculo alto. Los recuentos de K-meros se obtuvieron a partir de las secuencias de operones bla de los aislados de la cohorte de prueba-entrenamiento, y luego se utilizaron en una canalización de ML que i) descarta los K-meros no informativos, ii) identifica los hiperparámetros óptimos y, iii) realiza el entrenamiento del modelo utilizando el 70% de las secuencias como conjunto de entrenamiento y el 30% como conjunto de prueba. La tubería probó 11 tamaños diferentes de K-mer y 2 modelos: Regresión logística (LR) y Máquina de vectores de soporte (SVM). Finalmente, se aplicó el modelo con mejor capacidad predictiva a las secuencias de los aislados de osteomielitis MSSA (cohorte de validación). Resultados El enfoque de ML tuvo una alta especificidad (> 90%), precisión (> 80%) y valores de ROC-AUC (> 0.7) para detectar el CzIE en el conjunto de aislamientos de prueba (Figura 1), independientemente del tipo de modelo o el tamaño de K-mer utilizado. La mejor capacidad predictiva fue con LR usando K-meros de 17 nucleótidos, con una precisión del 84%, especificidad del 96% y sensibilidad del 70% en el conjunto de pruebas (Figura 2). En la cohorte de validación, el modelo fue capaz de identificar correctamente todas las cepas que presentaban la CzIE (100% de sensibilidad). Figura 1. Métricas de predicción de la tubería de ML para la detección de CzIE en aislados de MSSA de la cohorte de prueba de entrenamiento. Las predicciones se muestran de acuerdo con el modelo y los tamaños de K-mer probados. Figura 2. Roc del mejor modelo predictivo (Regresión logística, tamaño K-mer 17) para la detección del CzIE en aislados de MSSA. Conclusión El enfoque de ML es una aplicación genómica prometedora para detectar la CzIE en aislados de MSSA de una variedad de fuentes, sin pasar por las pruebas fenotípicas. Se necesita una validación adicional para evaluar su posible utilidad en entornos clínicos. Divulgaciones Jonathon C. McNeil, MD, Agency for Healthcare Research and Quality (Research Grant or Support)Allergan (Grant/Research Support)Nabriva (Grant/Research Support, Other Financial or Material Support, Site PI for a multicenter trial) Anthony R. Flores, MD, MPH, PhD, Nada que divulgar Sheldon L. Kaplan, MD, Pfizer (Research Grant or Support) Cesar A. Arias, M.D., MSc, Ph.D., FIDSA, Entasis Therapeutics (Grant/Research Support)MeMed Diagnostics (Grant/Research Support)Merk (Grant/Research Support) Lorena Diaz, PhD , Nada que divulgar

Files

ofab466.1440.pdf.pdf

Files (93 Bytes)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:b0d506893d4802090edf1644f5f082cd
93 Bytes
Preview Download

Additional details

Additional titles

Translated title (Arabic)
1248. نهج التعلم الآلي للتنبؤ بتأثير تطعيم السيفازولين في المكورات العنقودية الذهبية الحساسة <i>للميثيسيلين</i>
Translated title (French)
1248. A Machine-Learning Approach to Predict the Cefazolin Inoculum Effect in Methicillin-Susceptible <i>Staphylococcus aureus</i>
Translated title (Spanish)
1248. Un enfoque de aprendizaje automático para predecir el efecto del inóculo de cefazolina en <i>Staphylococcus aureus susceptible</i> a la meticilina

Identifiers

Other
https://openalex.org/W4200505732
DOI
10.1093/ofid/ofab466.1440

Is supplement to
https://openalex.org/W622343792 (Other)
https://openalex.org/W4285467093 (Other)
https://openalex.org/W2487169079 (Other)
https://openalex.org/W2150243164 (Other)
https://openalex.org/W2139336228 (Other)
https://openalex.org/W2022785828 (Other)
https://openalex.org/W1981284053 (Other)
https://openalex.org/W1978586954 (Other)
https://openalex.org/W1924196700 (Other)
https://openalex.org/W1603569949 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Colombia