Machine learning prediction of 30-day mortality in adults with a positive blood culture

Abstract

Introduction

A positive blood culture is a clinically heterogeneous finding that may represent true bloodstream infection, transient bacteremia or contamination—diagnostic uncertainty that complicates early clinical decision-making. We aimed to develop and evaluate machine learning models to predict 30-day all-cause mortality in adults with a positive blood culture.

Methods

Retrospective cohort study using MIMIC-IV. Adult hospitalizations with at least one positive blood culture were included (first positive culture per admission); potential contaminants were retained to reflect real-world uncertainty. Demographic, clinical, laboratory, organ support and microbiological variables were used as predictors. Nine supervised machine learning algorithms were trained with repeated 10-fold cross-validation, evaluated in an independent test cohort and calibrated; thresholds were optimized with the Youden index.

Results

Of 5731 episodes, 742 patients (12.9%) died within 30 days. Test-set ROC AUC ranged from 0.759 to 0.801. After threshold optimization, the random forest model showed the best overall performance (sensitivity 0.788, specificity 0.707, balanced accuracy 0.748; Brier score 0.0999, calibration slope 1.03). ICU admission at onset, mechanical ventilation, bilirubin, urea and the Charlson comorbidity index were the main predictors.

Conclusions

Machine learning models can provide clinically meaningful early prediction of 30-day mortality in patients with a positive blood culture using routinely available data. Focusing on the moment of blood culture positivity rather than established sepsis syndromes, this approach supports early risk stratification in a diagnostically heterogeneous population.

Resumen

Introducción

Un hemocultivo positivo es un hallazgo clínicamente heterogéneo que puede corresponder a una bacteriemia verdadera, una bacteriemia transitoria o una contaminación—incertidumbre diagnóstica que dificulta la toma de decisiones clínicas tempranas. Nuestro objetivo fue desarrollar y evaluar modelos de aprendizaje automático para predecir la mortalidad por cualquier causa a 30 días en adultos con un hemocultivo positivo.

Métodos

Estudio de cohortes retrospectivo utilizando la base de datos MIMIC-IV. Se incluyeron hospitalizaciones de adultos con al menos un hemocultivo positivo (únicamente el primer hemocultivo positivo por ingreso); se conservaron los posibles contaminantes para reflejar la incertidumbre real. Se utilizaron como predictores variables demográficas, clínicas, analíticas, de soporte orgánico y microbiológicas. Se entrenaron nueve algoritmos supervisados de aprendizaje automático mediante validación cruzada 10-fold repetida, se evaluaron en una cohorte de test independiente y se calibraron; los umbrales se optimizaron con el índice de Youden.

Resultados

De 5.731 episodios, 742 pacientes (12,9%) fallecieron en los 30 días siguientes. El AUC de ROC en la cohorte de test osciló entre 0,759 y 0,801. Tras la optimización del umbral, el modelo Random Forest mostró el mejor rendimiento global (sensibilidad 0,788, especificidad 0,707, balanced accuracy 0,748; Brier score 0,0999, pendiente de calibración 1,03). Los principales predictores fueron el ingreso en UCI al inicio, la ventilación mecánica, la bilirrubina, la urea y el índice de comorbilidad de Charlson.

Conclusiones

Los modelos de aprendizaje automático pueden proporcionar una predicción clínicamente útil y temprana de la mortalidad a 30 días en pacientes con hemocultivo positivo empleando datos rutinariamente disponibles. Al centrarse en el momento del hemocultivo positivo, en lugar de en síndromes sépticos ya establecidos, este enfoque apoya la estratificación temprana del riesgo en una población diagnósticamente heterogénea.