Искусственный интеллект для анализа паттернов устойчивости к антибиотикам

Исследователи из Университета Карлоса III в Мадриде (UC3M) проанализировали паттерны устойчивости к антибиотикам, чтобы найти тенденции для выбора лечения и сдерживания распространения бактерий. Исследование, проведенное совместно с Университетом Эксетера, Университетом Бирмингема (Великобритания) и госпиталем Уэстмид в Сиднее (Австралия), опубликовано в журнале Nature Communications.

В клинической практике устойчивость бактериального патогена к антибиотику измеряется с помощью MIC (Минимальная ингибирующая концентрация) — минимальной концентрации антибиотика, подавляющей рост бактерий. Чем выше MIC, тем выше устойчивость.

Однако большинство публичных баз данных содержат только агрегированные данные — частоту резистентных патогенов, рассчитанную на основе измерений MIC и предопределенных порогов устойчивости. Например, если порог устойчивости для патогена равен 4, а бактерия имеет MIC=16, она считается резистентной и учитывается в расчете частоты. Именно такие агрегированные данные используются в национальных отчетах и отчетах таких организаций, как ВОЗ.

Для исследования команда проанализировала уникальную базу данных ATLAS, управляемую компанией Pfizer и публичную с 2018 года, которая содержит сырые данные об устойчивости к антибиотикам. Группа под руководством UC3M сравнила информацию о 600 000 пациентов из более чем 70 стран, применив методы машинного обучения для извлечения паттернов эволюции резистентности.

Анализ показал, что существуют паттерны эволюции устойчивости, которые можно обнаружить при использовании сырых данных (MIC), но которые неразличимы при работе с агрегированными данными. Классический пример — патоген, чей MIC медленно растет со временем, но остается ниже порога резистентности. По данным частоты устойчивость будет постоянной, однако данные MIC позволяют выявить такую тенденцию и принять меры. В работе описаны несколько клинически значимых случаев с такими характеристиками. Исследователи также являются первыми, кто подробно описал базу данных ATLAS.

Это исследование позволяет разрабатывать более эффективные схемы антибиотикотерапии для контроля инфекций и сдерживания роста резистентности. В работе использованы математические подходы для извлечения паттернов устойчивости из 6,5 миллионов точек данных.