AN EARLY WARNING SYSTEM FOR ANTIMICROBIAL RESISTANCE: INTEGRATING MACHINE LEARNING WITH NATIONAL DEVELOPMENT INDICATORS. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Nourah M. Alzuabi - G202201520 - THESIS.pdf Restricted to Repository staff only until 15 April 2027. Download (3MB)

Arabic Abstract

تمثل المقاومة للمضادات الميكروبية أزمة صحية عالمية، إلا أن المراقبة الحالية لا تزال تفاعلية وتركز بشكل ضيق على البيانات السريرية. طورت هذه الدراسة إطار عمل للتعلم الآلي للإنذار المبكر يربط المؤشرات الاجتماعية والاقتصادية والرعاية الصحية والبيئية على مستوى الدولة بنتائج المقاومة للمضادات الميكروبية على المستوى الوطني. تم تدريب خوارزميات متعددة وضبطها باستخدام بيانات مقاومة المضادات الميكروبية العالمية عن طريق التحقق المتبادل المتداخل(cross-validation). تم تقييم الأداء على مجموعة اختبار مُستبعدة تضم 20% من البيانات، مع إدراج المملكة العربية السعودية (KSA) عمدًا كدولة ذات أهمية في قسم الاختبار. سمح إدراج المملكة العربية السعودية في قسم الاختبار بإجراء تقييم مُستهدف في سياق الدخل المرتفع. أوضحت النماذج النهائية، ما يقرب من 74% إلى 96% من التباين (اختبار R-squared) وأنتجت تنبؤات متسقة لمقاومة المضادات الميكروبية في المملكة العربية السعودية. كشفت تفسيرات شابلي الإضافية (SHAP) أن سمات مثل الناتج المحلي الإجمالي وإمكانية الحصول على المياه النظيفة/الصرف الصحي ارتبطت بانخفاض أعباء المقاومة للمضادات الميكروبية، في حين أن زيادة عدد السكان، وضعف البنية التحتية للمياه والصرف الصحي والنظافة الصحية (WASH) أدت إلى ارتفاع معدلات العدوى المقاومة والوفيات المرتبطة بمقاومة المضادات الميكروبية. كما أثرت مؤشرات الحوكمة والتعليم على النتائج، مما يعكس أحيانًا قدرة أفضل على الكشف في البيئات الأكثر تقدمًا. تؤكد هذه النتائج أن ظهور المقاومة للمضادات الميكروبية مدفوع بعوامل متعددة الجوانب وعابرة للقطاعات. يتيح دمج مقاييس الصحة الواحدة والتنمية في نموذج تنبؤي تحديد البلدان عالية الخطورة والفترات الزمنية التي تسبق حدوث طفرات مقاومة كبيرة. يدعم هذا الإطار صانعي السياسات من خلال تمكين التدخلات الموجهة في الوقت المناسب، مع التأكيد على أن تعزيز البنية التحتية الأساسية والإدارة المتزامنة أمر بالغ الأهمية للحد من العدوى المقاومة للأدوية.

English Abstract

Antimicrobial resistance (AMR) is a global health crisis, yet current surveillance remains reactive and narrowly focused on clinical data. This study developed an early-warning machine learning framework that links country-level socioeconomic, healthcare, and environmental indicators to national AMR outcomes. Multiple algorithms were trained and tuned on global AMR datasets using nested cross-validation. Performance was evaluated on a held-out test set comprising 20% of the data, with Saudi Arabia (KSA) intentionally included as a country of interest in the test partition. The inclusion of KSA in the test partition allowed for targeted evaluation in a high-income context. Across responses, the final models explained approximately 74–96% of the variance (test R-squared) and produced consistent predictions for KSA. Shapley additive explanations (SHAP) revealed that features such as GDP and access to clean water/sanitation correlated with lower AMR burdens, whereas larger population size, and poor water, sanitation, and hygiene (WASH) infrastructure drove higher rates of resistant infections and AMR-related deaths. Governance and education indicators also influenced outcomes, sometimes reflecting better detection capacity in more developed settings. These findings underscore that AMR emergence is driven by multifaceted, cross-sectoral factors. Integrating One Health and development metrics into a predictive model enables the identification of high-risk countries and time periods before major resistance surges occur. This framework supports policymakers by enabling timely, targeted interventions, emphasizing that strengthening fundamental infrastructure and stewardship in tandem is crucial to curbing drug-resistant infections.