用于获得抗生素耐药性模式的人工智能技术

马德里卡洛斯三世大学(UC3M)正在进行分析抗生素耐药性模式的研究，目的是找到有助于决定哪种治疗方法适用于每种类型患者并阻止细菌传播的趋势。这项研究最近发表在科学杂志《自然通讯》上，与埃克塞特大学，伯明翰大学(均在英国)和悉尼(澳大利亚)的Westmead医院一起进行。

为了观察细菌病原体在临床环境中对抗生素的耐药性，使用称为MIC(最小抑制浓度)的测量方法，这是能够抑制细菌生长的抗生素的最小浓度。细菌对抗生素的MIC越大，其耐药性就越大。

然而，大多数公共数据库仅包含耐药病原体的频率，这是根据MIC测量值和预定义的耐药阈值计算的汇总数据。“例如，对于给定的病原体，抗生素耐药阈值可能是4：如果细菌的MIC为16，则将其视为耐药性，并在计算耐药频率时进行计数，”UC3M数学系讲师兼研究员，该研究的作者Pablo Catalán说。在这方面，在全国范围内和世界卫生组织等组织进行的耐药性报告是利用这种汇总的耐药频率数据编写的。

为了进行这项研究，该团队分析了一个开创性的数据库，因为它包含有关抗生素耐药性的原始数据。该数据库名为ATLAS，由辉瑞公司管理，自2018年以来一直公开。由UC3M领导的工作组比较了来自70多个国家的60万名患者的信息，并使用机器学习方法(一种人工智能技术)来提取耐药性进化模式。

通过分析这些数据，研究小组发现，在使用原始数据(MIC)时可以检测到耐药性进化模式，但使用聚合数据则无法检测到这些模式。“一个明显的例子是病原体，其MIC随着时间的推移缓慢增加，但低于耐药性阈值。使用这个频率数据，我们什么也说不出来，因为电阻频率保持不变。但是，通过使用MIC数据，我们可以检测到这种情况并保持警惕。在本文中，我们讨论了几个具有这些特征的临床相关病例。此外，我们是第一个深入描述这个数据库的团队，“Catalán说。

这项研究使得设计抗生素治疗成为可能，这些抗生素治疗在控制感染和遏制导致许多临床问题的耐药性上升方面更有效。“该研究使用数学思想从650万个数据点中寻找提取抗生素耐药性模式的新方法”，该研究作者总结道。