2026 年 7 月到 11 月,围绕血流感染与耐药预测的 AI 研究密集刊发:《Clinical Infectious Diseases》用因果机器学习把「既往抗生素暴露」从关联证据升级为跨三家医疗系统的因果信号;《EClinicalMedicine》刊出用两个大队列时序病历构建的念珠菌血症两步深度学习框架;《Journal of Clinical Microbiology》评估了急诊场景下区分细菌与病毒感染的宿主检验;日本一家大学医院报告了革兰染色 AI 系统的临床表现;还有团队用散射成像给出约 95 分钟的阳性后药敏流程估计、用常规质谱数据预测耐药、用监测网元数据在药敏结果出来之前预判耐药。把这些材料顺着诊疗先后摆在一起,会看到一条已经一站一站补齐的路:从决定抽不抽血,到培养瓶阳性后看什么,再到药敏结果出来前能预判什么,几乎每个位置都站着一个模型、都报着一组数字。但同一条路上还缺两样东西:没有一站拿出前瞻性的患者结局证据,也没有人测过当这些模型被串成一条路时误差会怎么累加(本文概括)。而几份系统评价与一份全文评估给出了同向的结论:真正卡住这个领域的,是验证、校准与透明,不是准确率。
## 用药史为什么值得写进模型
在上游,《Clinical Infectious Diseases》的一项研究给「既往用过哪种抗生素」这件临床常识补上了因果级证据。研究团队分析三家美国医疗系统(Mass General Brigham、Stanford Health Care,以及经 MIMIC-IV 获取的贝斯以色列女执事医疗中心)共 1,165,151 个培养事件,用双重机器学习估计「90 天内接触过某类抗生素」对「后续同类不敏感」的因果效应,每个站点校正超过 35 个混杂因素(含既往同类耐药分离株、感染菌群、日历时段),并用逆概率加权、E 值、暴露窗与剂量反应敏感性分析、负对照对做稳健性检验。结果方向一致:既往氟喹诺酮暴露使同类不敏感率在两个主站点分别上升 11.9 和 12.6 个百分点,在验证站点上升 8.6 个百分点(均 P<.001);7 个抗生素类别在全部站点均为正关联(磺胺类在 Stanford 结果不确定);效应在使用后 30 天最强,到 365 天逐渐衰减。落到处方上,有既往氟喹诺酮暴露的血流感染患者若接受经验性氟喹诺酮,50%-71% 的发作中治疗在微生物学上无活性,无暴露者为 27%-37%;跨类别共 3,309 张无活性经验处方与既往同类暴露相关;中位 E 值 2.5。作者的结论是支持对「抗生素史知情的经验性处方」做前瞻评估,而不是立即上线。这一站的意义后面会反复出现:碳青霉烯使用天数正是耐药预测模型归因里靠前的变量,因果层说明这类特征不只是相关,而有可辩护的机制方向(本文判断)。
## 95% 与 25%:一张开得很大的口子
抽不抽血,是这条路的第一个决定。《Journal of Clinical Microbiology》刊出的一项评估针对 FDA 已清关的 MeMed BV 检验,它测宿主三种免疫蛋白(TRAIL、IP-10、CRP)合成一个 0-100 分,分高提示细菌、分低提示病毒或非细菌病因。在急诊 203 个疾病发作中,108 个与细菌感染相关(其中 25 个血培养阳性、107 个非血样本病原阳性;两个分项相加为 132,超过 108 的总数,此为摘要自身口径,本文照录不推断),18 个与病毒病原相关。把「高细菌可能」与「中细菌可能」两档合并计算:识别任何细菌感染的敏感度 87%、特异度 32%;识别菌血症的敏感度 95%、特异度 25%。95% 配 25%,是一张开得很大的口子,高敏感度、低特异度,价值在阴性时帮忙排除,代价是非菌血症发作中约四分之三会被标为阳性提示(1−25%=75%,本文按摘要特异度直接推算;阳性提示里假阳性的实际占比还取决于患病率,摘要未给该口径)。作者的关键信息写在「重要性」段:这类检验若不在 FDA 批准的语境下使用,「达不到其完整有效性」;而本研究目的段写明评估的是「帮助决定急诊是否开血培养」,本文据此理解该评估属语境之外的用途(本文按摘要目的段与结论段的表述理解)。
## 结果出来之前:从 0.798 到两步框架
血抽了之后会不会阳性,也有人建模预测。《Frontiers in Medicine》的一项单中心研究回顾 44,389 条血培养相关住院记录(2022 年 1 月至 2024 年 9 月),2022-2023 开发、2024 做时间验证;终点是索引采集到出院间至少一次实验室确认的血培养阳性(3,555 条,8.01%)。经 Platt 校准的 XGBoost 用人口学特征、常规化验与缺失指示变量,时间验证 ROC-AUC 0.798(95% CI 0.784-0.813)、PR-AUC 0.266、Brier 0.0619、校准斜率 1.061;5% 阈值下敏感度 0.877、特异度 0.570、阴性预测值 0.983。一个值得注意的对照是,事后探索的「年龄+PCT+BMI」三变量逻辑回归就达到 0.757,大部分预测信息集中在三个常规变量里;而成人与儿科亚组内性能分别降到 0.679 与 0.663。作者自设边界很清楚:模型不单独预测索引培养结果、不诊断临床确认的血流感染,落地前需要多中心外部验证与固定预测窗、确认终点的前瞻研究。ROC-AUC 0.798 与 PR-AUC 0.266 必须并读,在 8% 的基础率下,这是两种量尺给出不同印象的又一实例(本文判断)。
把「预测谁会发生」进一步改造成「预测谁最可能获益」的,是《EClinicalMedicine》的念珠菌血症两步框架。休斯敦卫理公会医院系统等机构的研究团队(12 位作者,资助来自 NIH/NIAID)用两个大队列的时序电子病历训练深度学习模型 PyTorch_EHR,预测 7 天念珠菌血症风险:一家医疗系统 213,404 名成人住院患者(2016 年 6 月至 2023 年 6 月,至少一次血培养),MIMIC-IV 107,507 名(2008-2022),两队列合计 320,911 人(本文复算);发生率不足 1%(851/213,404,0.4%;634/107,507,0.6%)。模型优于逻辑回归、LightGBM 与既有 ICU 念珠菌血症评分,AUPRC 优势最明显(均 p<0.05)。文章的命名设计在第二步:把念珠菌血症风险与 30 天死亡风险两个模型叠成两步框架,比单步多识别 20 例与 28 例,覆盖率升至 60.8%(121/199)与 46.3%(68/147)。摘要把两个死亡率紧跟在「许多识别出的病例未获经验性抗真菌治疗」之后:一个队列 39.4%(41/104),另一个 61.9%(39/63);分母口径摘要未展开,本文照录不推断。作者结论克制:框架「可能支持」早期识别,需前瞻研究确认。要留意的是,无论怎么归组,这都是回顾性关联,不能读成「模型本可以救回他们」的因果证明(本文判断);覆盖率的另一面,是约四到五成病例仍在框外。
## 培养瓶阳性后的第一张图,和更快的药敏
培养瓶阳性后,第一张图往往是革兰染色。《Journal of Infection and Chemotherapy》刊出日本一家大学医院对自动革兰染色 AI 系统 Mycrium 的评估:231 个阳性血培养瓶,排除 2 个培养阴性的假阳性瓶后 229 个入分析(208 单菌、21 多菌)。单菌瓶的类别级敏感度劈成两半,革兰阳性球菌 97.2%、革兰阴性杆菌 94.4%,而革兰阳性杆菌只有 63.2%、酵母菌 60.0%;特异度依次为 86.0%、98.5%、97.4%、94.9%。常见形态≥94%、少见形态约 60%,平均数抹平了这道类别间的落差(本文判断)。多菌瓶里仅 13/21(61.9%)达到「完全类别一致且无额外假阳性检出」;但 Mycrium 在 4 个多菌瓶中报出了技师常规镜检未报告的参考菌类别,「多看见」与「多报假」并存,恰是作者把它定位为「技师复核下的质量支持工具、而非专家镜检的独立替代」的证据注脚。
让药敏更快是工程侧的努力。《ACS Sensors》报告一种无标记、大视野的散射成像:并行监测数千个细菌,用深度学习辅助分割提取散射强度与几何特征,β-内酰胺暴露下 60 分钟内即出现抗生素依赖的形态动力学轨迹,支持初步 MIC 测定、联合用药反应与耐药亚群定量;10 个临床阳性血培养样本对 5 种抗生素与参考方法达到 96.7% 类别一致,估计阳性后流程约 95 分钟。边界同样清楚:10 个样本是工程验证阶段的证据,与替代常规流程(常规药敏需 48-72 小时,时长据 ATLAS 监测研究摘要的科普段)之间还隔着大规模临床验证(本文判断)。复用既有数据是第三条路:《Microbiology Spectrum》的一项研究用常规 MALDI-TOF 质谱预测儿科非伤寒沙门菌的头孢曲松耐药,472 株分离株、1,414 张谱图,仅 7 个特征的 LightGBM 模型 AUC 依次为 0.94(训练)、0.88(内部验证)、0.79 与 0.80(两个外部验证),并部署为 Streamlit 研究用网页界面;作者自认概念验证,常规化前需大规模前瞻多中心验证。训练 0.94 到外部 0.79/0.80,衰减写在同一份摘要里(本文概括)。
## 药敏结果出来之前的三条路线,和死亡分层
能不能在药敏结果之前预判耐药?三条数据路线同答这一问。病历路线:《Frontiers in Cellular and Infection Microbiology》的一项研究预测碳青霉烯耐药肺炎克雷伯菌(CRKP),5,794 条记录(2014-2024),999 耐药对 4,795 敏感(耐药率 17.24%);预测锚点定在培养标本采集时刻(T0),全部预测变量严格限于 T0 前可得信息;7 种算法×18 种采样策略、按患者分组的五折交叉验证。三个结果值得记:其一,重采样模型(ENN-BLSMOTE-XGBoost)提升敏感度、降低重大误差率(VME,即把耐药误判为敏感),但轻微牺牲排序判别并增加假阳性;而对校准后 XGBoost 做敏感度导向的阈值选择就能达到接近的工作点,大部分敏感度收益不必改变训练分布就能拿到。其二,排除全部「时长类」预测变量后仍保有 ROC-AUC 0.940、PR-AUC 0.833(排除动机摘要未说明,本文不推断)。其三,2025 年时间队列上校准模型 ROC-AUC 0.889、PR-AUC 0.684、敏感度 0.749、VME 0.251(分母口径摘要未注明,本文照录),Platt 缩放把 Brier 从 0.121 降到 0.108;SHAP 归因前五为 ICU 收治、血管系统疾病、留置导尿天数、碳青霉烯使用天数、气管插管天数;配套网页计算器输出锚定开发队列 17.24% 耐药率的校准概率。
基因组路线:《Journal of Microbiological Methods》的一项研究为「没见过的」大肠杆菌预测 MIC,9,377 株×26 种抗生素共 243,802 个可能组合,其中 51,554 个有实测 MIC;一个混合协同过滤框架(Model C)联合观测 MIC 模式、AMR 基因组特征、265 个 AMR 相关位点的核苷酸序列比对与抗生素特性;验证用五折 pathogen-out 设计,测试菌株的全部 MIC 测量从训练与模型选择中整体剔除(比随机拆分严格,本文判断)。验证队列 9,058 株、50,460 个实测 MIC:MAE 0.5931 log2 单位、RMSE 0.8477、Pearson r 0.9055;模型进而预测其余 185,048 个未测组合(9,058×26=235,508,减去 50,460 实测恰为 185,048,算术自洽,本文复算)。作者自设边界:需独立外部验证;预测可用于给确认性检测排优先级,不得替代药敏试验、不得单独指导治疗。监测网路线:《Wellcome Open Research》的一项研究基于 ATLAS 监测计划非洲站点 2019-2023 的分离株级数据(作者来自肯尼亚医学研究所 KEMRI 与 Dedan Kimathi 科技大学,声明无竞争利益),建了 7 个按抗生素的 XGBoost 模型,只用常规监测元数据(微生物、人口学、临床、地理)预测药敏,不需基因组测序或患者级详情;测试准确率 57%-76%:头孢他啶-阿维巴坦最高 76%、庆大霉素 65%、亚胺培南 64%、阿米卡星最低 57%;菌种始终是最重要的预测因子之一;对占多数的敏感类性能普遍好于中介与耐药类。一处不一致照录:标题所载时间范围为「(2004-2023)」,摘要方法为 2019-2023,本文不推断原因。作者自认概念验证,外部验证、校准、前瞻临床评估与实施研究全部缺席。
预后侧还有一站。《EIMC》(西班牙感染病与临床微生物学杂志英文版)的一项研究对 MIMIC-IV 的 5,731 个阳性血培养发作(每次住院取首次阳性,刻意保留潜在污染菌以反映真实不确定性)预测 30 天全因死亡,742 例死亡(12.9%);9 种算法、重复十折交叉验证、独立测试队列加校准、Youden 指数定阈值;测试 ROC-AUC 0.759-0.801,随机森林最优(敏感度 0.788、特异度 0.707、平衡准确率 0.748、Brier 0.0999、校准斜率 1.03);主要预测因子为发病时 ICU 收治、机械通气、胆红素、尿素与 Charlson 共病指数。作者定位是聚焦「培养阳性时刻」而非既定的全身感染综合征,为诊断异质人群提供早期分层;同刊同期另一篇评论的标题本身就点出了从统计阈值到临床决策的鸿沟(该评论无摘要,本文仅引标题、不转述内容)。三条耐药路线的最好成绩,病历侧时间验证 ROC-AUC 0.889、基因组侧 pathogen-out MAE 0.59 log2、监测侧准确率 57-76%,都只够「优先复核」的辅助位(本文判断)。
## 退一步看:约束不在准确率
把这个领域拉到远处看,几份评估给出同向结论。《Microorganisms》的一项研究对耐药 AI 文献做了全文级评估:检索 PubMed 2016-2026 四个领域全部 2,446 条记录,725 篇合格,80 篇按 PROBAST+AI 与 TRIPOD+AI 做全文评估;因选择过程偏向外部验证过的研究,各项验证比例是上界。年产出从 2016 年 10 篇涨到 2025 年 142 篇,但「真正的外部评估」并未随年资更常见(每年 OR 1.08,95% CI 0.89-1.34)。80 篇里:45% 有外部验证,24% 发布了读者可直接使用的模型,23% 评估了校准,16% 论证了样本量;按患者特征比较性能的 5 篇,按站点比较的 8 篇;8.8% 把随机拆分称作外部验证;偏倚风险低 16 篇、不明 55 篇、高 9 篇;18 个深度学习研究中,报告校准的是 0 个(95% CI 0-17.6%,小样本下的宽松界);而判别力指标每一篇都报了。标题即结论:限制这个领域的是验证、校准与透明,不是准确率。
《BMC Medical Informatics and Decision Making》的一份系统综述(PRISMA 2020,六库,2020 年 1 月至 2026 年 4 月,未前瞻注册、已声明按预定标准执行)给出同向结论:纳入 68 篇、详析 21 篇,全基因组测序路线最多、药敏与病历路线次之;内部性能强而外部泛化有限;四类主要偏倚为抽样偏倚、标签不一致、结构混杂与临床语境偏倚;缓解策略仅部分有效且依赖语境。结论一句话:首要约束是数据异质性与算法偏倚,不是算法精巧度。《mSphere》的一篇文章把方法论病灶点破:机器学习的「泛化性」与微生物学的「可重复性」是同一问题的两种语言,数据集、表型定义、基因组预处理、评估策略与验证程序的差异,让人无法判断模型在开发数据之外是否可靠。《Frontiers in Cellular and Infection Microbiology》的一份综述按成熟度梯度盘点实验室自动化与 AI:自动化平台在观察性与多中心研究中缩短培养周转、减少人工负荷,自动判读、鉴定、药敏系统与人工标准高度一致、错误率低于常用可接受阈值;但 AI 平板判读与耐药预测证据虽多,大多停在辅助阶段、无前瞻验证;快速检测与自动化的随机试验很少证明总体临床优越性,患者导向获益有限且不一致;下一阶段的优先级不是更多单中心性能验证,而是多中心前瞻验证、可解释性、标准化与以临床结局为终点的比较证据。还有一篇《ASHE》的意见提醒被整条路忽略的一侧:AI 管理抗生素使用,却基本绕开了塑造处方决定的患者视角,不适当的抗生素使用本质上是关系性问题,患者叙事、沟通与共同决策需要与临床数据一起进入模型。
## 三个判断
把这条路上的材料并排读完,有三个判断是本文的综合,不是任何一篇原文的结论。其一,每一站都有模型、都有数字,但前瞻层与结局层是空的,而且站与站串起来的叠加误差无人测量。念珠菌框架作者要求前瞻研究,阳性预测作者要求多中心外部验证,革兰染色 AI 被定位为质量辅助,MIC 预测作者写明不得替代药敏,自动化综述直言随机试验很少证明总体临床优越,每站各自承认局限;但当细菌病毒鉴别、阳性预测、染色识别、药敏预测被设想为一条完整的路时,误差如何级联、假阳性如何累积,本文范围内没有任何一篇给出证据(本文判断)。其二,三条耐药预测路线的作者集体把模型放在辅助位而非替代位,基因组路线明写「不得替代药敏试验」,监测路线自我定位为常规监测的「补充」并列齐部署前验证清单,病历路线把模型定位为「支持」感控与抗生素管理(三者措辞各异,本文概括其共同方向)。这不是保守,而是与证据强度匹配的诚实(本文判断)。其三,约束已经转移到报告与验证纪律:80 篇评估里校准报告率 23%、18 个深度学习研究报告校准者为 0、8.8% 把随机拆分当外部验证、可用模型发布率 24%;而同批一手文献里已经出现可抄的正面样板,T0 锚点加时长变量排除、pathogen-out 验证、PR-AUC 与校准斜率并报、决策曲线分析。方法不缺,缺的是执行与发表的激励(本文判断)。
## 不同读者能带走什么
急诊与临床医师:95%/25% 那张口子的正确读法是「阴性可以放心一点,阳性别当真」;宿主标志物检验在批准语境之外使用,作者自己给出了有效性折扣;培养阳性不等于既定的全身感染综合征,30 天死亡分层模型最好的测试 ROC-AUC 也只有 0.801,不足以单独驱动升降级决策。微生物实验室:革兰染色 AI 按「技师复核下的质量支持工具」引进,对革兰阳性杆菌与酵母菌两个弱类保持人工镜检兜底;质谱数据复用做耐药初筛已有概念验证模板,但外部衰减(0.94→0.79/0.80)要写进验证方案;散射成像类快速药敏的约 95 分钟流程尚是 10 样本的工程证据。感控与抗生素管理团队:「既往抗生素暴露」进入经验性处方决策现有因果级证据(中位 E 值 2.5),但作者要求的是前瞻评估而非立即上线;CRKP 类风险提示必须随附患病率锚定的校准概率,锚定 17.24% 耐药率的计算器不可直接搬到耐药率不同的机构;患者视角应写进管理 AI 的需求文档。模型开发者:T0 锚点、pathogen-out 验证、校准斜率、PR-AUC、决策曲线,本批文献证明全部可行;18 个深度学习研究零校准报告是空档也是机会;24% 的可用模型发布率意味着「让别人能跑你的模型」仍是稀缺的信誉积累方式。患者与公众:这些研究不改变任何个人的化验或用药决定;是否抽血培养、用什么抗生素,请以现场医生的判断为准。
最后一句边界:本文读的是十七项来源的摘要级材料(其中一项评论无摘要,仅引标题、不转述内容),数字均转写自各摘要,日期均为 PubMed 记录的发表或在线日期(偏倚系统综述为 7 月 29 日,早于其余来源),全文未获取;ATLAS 标题所载时间范围(2004-2023)与摘要方法(2019-2023)不一致、MeMed BV 分项之和(25+107=132)超过总数(108)、CRKP 的 VME 分母口径,三处均为摘要自身所有,本文照录不推断;「1,165,151」在摘要原文以空格分节,本文按千分位转写;念珠菌覆盖分母(199/147)与总发病数(851/634)的关系摘要未展开,本文照录分数不推断;利益冲突与资助信息以各摘要所载为限,本文不作「无利益冲突」的断言,念珠菌研究一位作者披露持股、专利与两家公司联合创始人身份(含 NVIDIA、Microsoft 持股),ATLAS 研究使用辉瑞监测计划数据但作者为肯尼亚机构并声明无竞争利益,死亡分层研究作者单位含一家 AI 公司(Pragmatech AI Solutions)而其 XML 未见 COI 声明字段。
来源:Clinical Infectious Diseases,2026 年 10 月 15 日(PMID 42878671);EClinicalMedicine,2026 年 11 月 10 日(PMID 43042024);Frontiers in Medicine,2026 年 10 月 9 日(PMID 42920505);Journal of Clinical Microbiology,2026 年 10 月 27 日(PMID 42937297);Journal of Infection and Chemotherapy,2026 年 9 月 17 日(PMID 42753914);ACS Sensors,2026 年 10 月 31 日(PMID 42965887);Microbiology Spectrum,2026 年 9 月 28 日(PMID 42803168);Frontiers in Cellular and Infection Microbiology,2026 年 9 月 16 日(PMID 42819172);Journal of Microbiological Methods,2026 年 11 月 3 日(PMID 42977193);Wellcome Open Research,2026 年 9 月 21 日(PMID 42823942);Enfermedades Infecciosas y Microbiología Clínica(英文版),2026 年 11 月(PMID 42971690);同刊评论,2026 年 11 月 13 日(PMID 43026069,仅标题级);Microorganisms,2026 年 9 月 23 日(PMID 42943389,https://doi.org/10.3390/microorganisms14102148);BMC Medical Informatics and Decision Making,2026 年 7 月 29 日(PMID 42928177);mSphere,2026 年 11 月 6 日(PMID 42992836);Frontiers in Cellular and Infection Microbiology,2026 年 10 月 20 日(PMID 42979063);ASHE,2026 年 10 月 14 日(PMID 43031908)