背景：快速检测并识别耐碳青霉烯肺炎克雷伯菌 (CRKP) 对于患者抗生素规范用药至关重要。机器学习结合基质辅助激光解析电离飞行时间质谱 (MALDI-TOF MS) 有着快速、可靠、低成本的物种鉴定能力以及简化抗菌素敏感性检测的潜力。
方法：应用 MALDI-TOF MS 平台对临床收集的肺炎克雷伯杆菌进行数据采集，然后使用随机森林（RF）算法以及非线性支持向量机 (SVM) 构建 RF 模型、SVM 模型以及降维模型（SVM-K）。通过计算模型的准确度、敏感度、特异度以及受试工作者曲线下面积（AUC）以评估模型性能。
结果：RF 模型、SVM 模型和 SVM-K 模型都具有良好的分类性能，准确率分别为 0.88，0.88，0.91；敏感性分别为 0.82，0.85，0.87；特异性分别为 0.93，0.92，0.94；AUC 分别为 0.9101，0.9298，0.9342。SVM-K 模型构建过程中，根据平均准确性的改变，最优降维范围在 105-153 之间，平均准确性达到 0.9 以上。根据 RF 算法得出重要性排名前 10 的峰特征，其中 6515Da 出现在 56.8% 的 CRKP 分离株中，5.3% 的 CSKP 分离株中，具有最佳分类重要性。
结论：RF 模型、SVM 模型和 SVM-K 模型在区分 CRKP 和 CSKP 上都具有优良的分类性能。机器学习结合 MALDI-TOF MS 进行数据分析可开发出一种快速区分 CRKP 和 CSKP 的方法。
Keywords: Klebsiella pneumoniae , RF, SVM, SVM-K, MALDI-TOF MS