From surveillance to intelligence: a scoping review of machine learning for antimicrobial resistance surveillance intelligence across One Health

方法

遵循JBI与PRISMA-ScR的范围综述，检索三大数据库并评估66项研究。

发现

ML多用于预测与风险分层，但外部验证、校准与落地应用严重不足。

机会点

可探索动物-环境-食品链AMR数据的跨域外部验证与漂移监测框架。

背景 抗微生物药物耐药性（AMR）是主要的全球健康威胁，需要在人类、动物、环境和基因组系统之间开展协调监测。机器学习正越来越多地应用于AMR数据，但其对可操作监测情报的贡献，而非仅用于预测，仍界定不清。目的 梳理机器学习方法如何生成AMR监测情报，描述其验证和实施成熟度，并提出一个区分技术预测与可操作监测情报的框架。方法 我们按照JBI方法学和PRISMA-ScR报告规范开展了一项范围综述。检索PubMed/MEDLINE、Scopus和Web of Science，时间范围为2015年1月至2026年5月，纳入将机器学习或相关方法应用于AMR监测情报的研究。两名综述者独立筛选并提取记录。在1，985条记录中，66项符合纳入标准并构成工作证据基础；41项研究（40项核心实证研究和1项支持性预印本）依据与TRIPOD+AI和PROBAST一致的报告、验证和实施准备度领域进行了评价。结果 机器学习应用于五个集群：临床和电子健康记录风险预测与决策支持；基因组和全基因组测序预测；基于MALDI-TOF的快速耐药预测；废水和宏基因组监测；以及环境、动物、食物链和“同一健康”早期预警。预测和风险分层占主导，但验证成熟度有限：大多数研究为回顾性或内部验证，少数采用外部、跨国、时间、前瞻性或聚焦漂移的评估。评价中，41项研究有31项（76%）报告了区分度，26项（63%）报告了可解释性；相比之下，仅15项（37%）进行了外部或时间验证，5项（12%）进行了校准，1项（2%）进行了前瞻性评价，仅1项研究（2%）进行了实际部署并测量了临床或公共卫生影响。结论 机器学习可在临床、基因组、诊断、环境和“同一健康”背景下支持AMR监测情报，但证据在技术可行性方面远比在操作准备度方面更具说服力。实现这一转变需要外部和前瞻性验证、校准和漂移监测、透明且公平的报告、工作流程整合，以及ex