3月4日，《感染控制和医院流行病学》（Infection Control and Hospital Epidemiology）期刊上发表的一项研究表明，预测多重耐药菌感染的两种主要模型在头对头比较研究中表现相似。
美国约翰·霍普金斯大学公共卫生学院和马里兰大学医学院的研究人员开展单中心研究，比较两种用于鉴定多重耐药革兰氏阴性菌感染的统计模型，即逻辑回归-风险评估模型（logistic regression–derived risk scores）和机器学习-决策树模型（machine learning–derived decision trees）。该研究以约翰·霍普金斯医院1288例感染大肠杆菌或克雷伯菌的患者为样本，确定哪个模型能够更好地识别感染了产生超广谱β-内酰胺酶的细菌的患者。研究结果表明，这两种模型在识别这些感染患者中表现相似。风险评估模型的C统计量较高，说明其预测价值较高；决策树模型更为直观、方便用户使用。两种预测耐药性的模型各有优势和局限，研究人员期待将其运用到传染病研究中，以改善患者的治疗效果。
