人工智能提供了一种更快的方法来预测抗生素耐药性

耐抗生素细菌在全球范围内呈上升趋势，瑞士也不例外。每年，仅在瑞士，由耐多药细菌引起的感染就导致至少300人死亡。快速诊断检测和有针对性地使用抗生素在遏制这些耐抗生素“超级细菌”的传播方面发挥着至关重要的作用。

然而，通常需要两天或更多的时间来确定抗生素仍然对特定的病原体有效，因为来自患者样本的细菌首先必须在诊断实验室中培养。由于这种延迟，许多医生最初使用一种被称为广谱抗生素的药物治疗严重感染，这种药物对广泛的细菌种类都有效。

现在，苏黎世联邦理工学院、巴塞尔大学医院和巴塞尔大学的研究人员开发了一种方法，使用质谱数据在24小时前识别细菌中的抗生素耐药性迹象。

该研究的主要作者、巴塞尔苏黎世联邦理工学院生物系统科学与工程系的博士生Caroline Weis说:“智能计算机算法搜索数据，寻找区分耐药细菌和对抗生素有反应的细菌的模式。”研究人员在最新一期的杂志上发表了他们的方法自然医学．

最佳治疗时机至关重要

通过在早期阶段发现明显的抗生素耐药性，医生可以更快地针对相关细菌制定抗生素治疗方案。这对重病患者尤其有益病人．

“如果感染很严重，优化抗生素治疗所花费的时间可能意味着生与死的区别。在这种情况下，快速、准确的诊断是极其重要的，”巴塞尔大学医院临床细菌学教授兼主任Adrian Egli说。

为新方法提供数据的质谱仪已经在世界各地的许多微生物实验室中用于识别细菌类型。该设备分析每个样品中的数千个蛋白质片段，然后创建细菌蛋白质的单个指纹。这个过程还需要事先培养细菌，但只需要几个小时而不是几天。

巨大的新数据集已经创建

巴塞尔的研究人员开发了一种新方法，将质谱的使用扩展到包括抗生素耐药性的识别。为了这个数据集，研究小组从瑞士西北部的四个实验室提取了超过30万份单个细菌的质谱，并将这些质谱与相应的临床耐药性测试结果联系起来。结果是一个新的、公开的数据集，涵盖了大约800种不同的细菌和40多种不同的抗生素。

“我们的下一步是用这些数据训练人工智能算法，这样它们就可以学会自己检测抗生素耐药性，”巴塞尔苏黎世联邦理工学院生物系统科学与工程系教授卡斯滕·博格沃特(Karsten Borgwardt)说，他与Egli教授一起领导了这项研究。

为了使他们的预测模型尽可能广泛地适用，研究人员分析了如何预测算法的表现受到训练数据的影响。研究中比较的不同方法包括仅使用一家医院的数据训练预测模型，以及使用多家医院的综合数据进行训练。

虽然之前在这一领域的研究主要集中在单个细菌种类或抗生素上，但这项新研究利用了在医院分离的几种细菌类型以及大量相关的耐药性特征。“我们的数据集是迄今为止将质谱数据与抗生素信息结合起来的最大数据集电阻鲍格沃特说。“这是一个很好的例子，说明现有的临床数据可以用来产生新的知识。”

该模型可靠地检测常见电阻

为了评估计算机预测的有效性，研究人员与一位传染病专家合作，分析了大约60个案例研究。他们的目标是确定，如果临床医生在决策过程的早期阶段就能获得这些预测，那么这些预测将在多大程度上影响抗生素治疗的选择。

研究小组特意选择了具有最重要的耐抗生素细菌的案例研究，包括耐甲氧西林金黄色葡萄球菌(MRSA)和肠道细菌对广谱β -内酰胺类抗生素(大肠杆菌)具有耐药性。

这个案例研究如此重要的一个原因是，医生也倾向于根据患者的年龄和病史等因素来选择抗生素。结果表明，在某些情况下，新方法确实会促使临床医生选择改进的抗生素治疗。

正在计划临床试验

在新的诊断方法在患者护理中实施之前，该团队将需要克服额外的挑战，其中包括实施大规模临床试验，以证实新方法在常规医院环境中的益处。“这项研究的计划已经在进行中，”Egli说。作为临床微生物学专家，他相信该项目将在未来几年内改善感染的治疗方式。

Borgwardt说，该项目还提出了许多关于在医学中使用人工智能的重要研究问题。“这个数据集使我们能够更仔细地研究我们需要在算法层面上做出的改变，以进一步提高在不同时间点和不同位置收集的数据的预测质量。”