Последние достижения в области технологий секвенирования значительно улучшили диагностику инфекционных заболеваний, особенно благодаря таким методам, как метагеномное секвенирование нового поколения (mNGS), технологии Oxford Nanopore (ONT) и таргетное секвенирование (TS).
Эти технологии неоценимы для диагностики детских инфекций дыхательных путей, центральной нервной системы и кровотока благодаря их способности быстро и точно обнаруживать патогены в клинических образцах. Они также позволяют своевременно выявлять гены резистентности к антибиотикам (ARG), часто в течение 24-48 часов, что улучшает клинические результаты.
mNGS обеспечивает широкий и непредвзятый анализ, выявляя все виды микроорганизмов в клинических образцах. Этот метод включает фрагментацию микробных геномов на небольшие фрагменты (50-500 п.н.) и их секвенирование с использованием местных и общедоступных референсных баз данных для выявления патогенов и ARG. В отличие от этого, TS нацелен на определенный набор микробных видов, используя заранее определенные праймеры для захвата и секвенирования ARGs. ONT, с другой стороны, облегчает однопроходное секвенирование длинных фрагментов ДНК (> 10 кбп), что позволяет получить подробное представление о мутациях и генетических вариациях, что особенно полезно для отслеживания ARG. Хотя на результаты чувствительности к антибиотикам (AST) могут влиять такие факторы, как регуляция генов, условия окружающей среды и взаимодействие микроорганизмов (например, горизонтальный перенос генов), существует множество доказательств того, что наличие генов AMR коррелирует с фенотипами лекарственной устойчивости у микроорганизмов.
Рост объема данных полногеномного секвенирования (WGS) в сочетании с результатами клинических АSТ и развитием баз данных AMR значительно расширил возможности применения машинного обучения (ML) для прогнозирования фенотипов AMR при педиатрических инфекциях. При обучении на больших и разнообразных массивах данных модели ML могут достигать высокой чувствительности прогнозирования, доходящей до 96,3% при анализе детерминант AMR. Однако, хотя большинство исследований было посвящено использованию ML для интерпретации результатов АSТ, полученных на основе данных WGS, остается заметный пробел в исследованиях, изучающих интеграцию ML с другими технологиями секвенирования, обычно используемыми в клинической диагностике патогенов. Этот пробел подчеркивает необходимость дальнейшего изучения того, как эти технологии, особенно в сочетании с ML, могут повысить точность диагностики и улучшить принятие терапевтических решений в педиатрии.
Машинное обучение уже нашло широкое применение в лечении педиатрических заболеваний, включая диагностику, скрининг, стратификацию рисков, прогноз и предсказание исхода. Оно оказалось особенно полезным при выявлении серьезных бактериальных инфекций у детей. В данном обзоре рассматривается роль технологий секвенирования в клинической практике с акцентом на их применение в педиатрии для выявления AMR у патогенов, мониторинга эволюции ARG и отслеживания динамики генов резистентности. Кроме того, в обзоре рассматриваются проблемы, связанные с разработкой моделей ML, позволяющих точно прогнозировать исходы АSТ. Основная цель данного обзора - подчеркнуть влияние технологий секвенирования на лечение инфекций и чувствительность к антибиотикам в педиатрической популяции. Кроме того, в исследовании рассматривается потенциал интеграции прогнозов лекарственной чувствительности на основе ML в клинические рабочие процессы с целью улучшения ухода за пациентами и результатов лечения.
mNGS находит все большее применение в анализе микробных сообществ и функционально-геномных исследованиях, связанных с педиатрическими инфекциями. Этот метод позволяет выявлять как повышенную, так и пониженную регуляцию функций ARGs, тем самым помогая в раннем управлении AMR в педиатрических популяциях. Кроме того, были разработаны ML-модели для прогнозирования чувствительности к антибиотикам патогенов, выявленных с помощью mNGS. В одном из исследований для определения профилей антибиотикочувствительности Acinetobacter baumannii использовались данные mNGS, и была создана ML-модель, которая достигла диагностической точности более 96,5% как при ретроспективной, так и при проспективной проверке. В другом исследовании данные mNGS использовались для выявления K. pneumoniae в педиатрии и прогнозирования ее AMR-профиля с помощью ML-подхода.
Появление технологий секвенирования третьего поколения, таких как ONT или методы секвенирования с длинным прочтением, стало переломным моментом в сборке генома. Эти технологии обеспечивают исключительно высокое качество данных, позволяют напрямую обнаруживать эпигенетические модификации в нативной ДНК или РНК и предлагают портативное решение для геномного анализа. Секвенирование ONT позволяет выявлять конкретные виды и штаммы в образцах благодаря сопоставимому характеру длинных прочтений. Эта возможность позволяет более точно оценить состав микробиоты по сравнению с традиционными методами, которые опираются на 16S рРНК и ампликоны ДНК. Примечательно, что ONT может идентифицировать патогены менее чем за 10 минут и обнаружить ARGs в течение часа, что значительно ускоряет процесс по сравнению с традиционными методами культивирования, которые обычно требуют 2-3 дня, плюс дополнительное время для получения результатов AST. Эта технология продемонстрировала замечательные результаты в диагностике детских инфекций.
Помимо быстрого обнаружения патогенов в режиме реального времени, ONT обеспечивает чувствительность и точность, сравнимую с mNGS и таргетным секвенированием следующего поколения (tNGS), например, предлагаемым компанией Illumina, при обнаружении детских РНК-вирусов. Метод также широко применяется для диагностики туберкулеза у детей. В сочетании с секвенированием 16S рДНК ONT повышает чувствительность и снижает предел обнаружения инфекций пневмонии у пациентов детского возраста. В области обнаружения ARGs нанопоровое секвенирование позволяет выявлять наличие или отсутствие ARGs, определять фенотип AMR, дифференцировать подтипы ARG и точно определять конкретные патогены. Эта возможность является значительным преимуществом по сравнению с традиционными методами. Кроме того, ONT дает явное преимущество в точной идентификации AMR, опосредованных плазмидами, которые часто не удается обнаружить с помощью традиционных методов. Быстрое применение геномики в реальном времени открывает широкие возможности для принятия клинических решений и улучшения результатов лечения пациентов.
Таргетное секвенирование обеспечивает универсальность различных платформ секвенирования, особенно эффективным методом является tNGS. tNGS идентифицирует патогены, используя специфические праймеры, предназначенные для обнаружения патогенов, генов AMR и вирулентности. По мере расширения спектра этих специфических праймеров увеличивается и возможность выявления более широкого спектра патогенов и генов AMR, от десятков до сотен и даже тысяч в некоторых случаях. Данные секвенирования, генерируемые этими генетическими панелями, значительно увеличивают длину прочтения бактериальных последовательностей и охват генома.
tNGS оказался особенно эффективным в выявлении инфекций, вызванных микобактериями комплекса туберкулеза (MTBC), и связанных с ними ARGs. Метод позволяет достоверно прогнозировать AMR у MTBC непосредственно по клиническим образцам или культурам, предоставляя важную информацию для своевременного и адекватного лечения лекарственно-устойчивого туберкулеза. Хотя рекомендованные ВОЗ технологии экспресс-диагностики позволяют выявить устойчивость к рифампицину, они часто не способны выявить другие формы AMR туберкулеза, такие как устойчивость к изониазиду или к препаратам второго ряда. Напротив, tNGS может выявить устойчивость к более чем десятку противотуберкулезных препаратов в рамках одного теста, включая как традиционные, так и новые типы препаратов, со специфичностью ≥ 95 % для противотуберкулезных AMR.
Таргетное секвенирование нового поколения быстро стало предпочтительным методом диагностики возбудителей туберкулеза и AMR у педиатрических пациентов, продемонстрировав превосходную чувствительность по сравнению с тестом Xpert для выявления легочного туберкулеза у детей. Интеграция tNGS с ML-моделированием еще больше повышает точность диагностики ТБ-инфекции и AMR, а прогностическая чувствительность превышает 95% в образцах крови и спинномозговой жидкости. Более того, tNGS сохраняет высокую чувствительность (70,8-95,0%) в образцах с низкой патогенной нагрузкой, таких как кровь и спинномозговая жидкость, и хорошо работает при выявлении ARGs при респираторных инфекциях у детей, демонстрируя хорошую достоверность в определении резистентности к эритромицину и тетрациклину.
Таргетное нанопоровое секвенирование (NTS), основанное на технологии секвенирования третьего поколения, предлагает комплексный подход к выявлению AMR, преодолевая ограничения, связанные с «горячими точками» мутаций, и значительно сокращая время секвенирования. NTS продемонстрировала высокий уровень совпадения с результатами AST, особенно при выявлении MTBC-AMR. Этот метод позволяет точно определять широкий спектр генов резистентности, включая MDR и штаммы с широкой лекарственной устойчивостью. По сравнению с одноцелевыми анализами, NTS обеспечивает более простую настройку и позволяет получить результаты быстрее, чем WGS и фенотипический AST.
Каждый метод секвенирования дает уникальную информацию, которая является основой для интеграции подходов ML, направленных на прогнозирование чувствительности к антибиотикам у педиатрических пациентов. Детальная геномная информация, полученная с помощью этих методов секвенирования, в сочетании с передовыми алгоритмами ML значительно расширяет наши возможности по прогнозированию и индивидуализации антибиотикотерапии. Используя всесторонние данные, полученные в результате секвенирования, модели ML могут повысить точность прогнозирования чувствительности и направить более персонализированные терапевтические стратегии.
Проблемы методов секвенирования для прогнозирования лекарственной чувствительности
В последние годы большое внимание уделяется роли ML в прогнозировании лекарственной чувствительности патогенов. Вследствие противоречивой корреляции между генотипическим и фенотипическим определением резистентности, клиническое применение определения генотипа резистентности на основе секвенирования сталкивается с серьезными проблемами. Интеграция этой методики в клиническую практику остается сложной, что сдерживает ее потенциал для более эффективного использования антибиотиков. Однако ML предлагает перспективное решение, используя обширные массивы данных о генах резистентности и их фенотипических связях. Этот подход позволяет точно предсказать уровень резистентности, включая оценку минимальных ингибирующих концентраций (МИК) для устойчивых, промежуточных и чувствительных профилей.
В педиатрии широкий спектр клинических проявлений, нетипичная симптоматика и быстрое развитие болезни значительно усложняют диагностику и лечение. Дети особенно уязвимы к AMR, а проблемы, связанные с получением высококачественных клинических образцов, еще больше затрудняют выявление патогенов и применение методов AST. Эти факторы подчеркивают острую необходимость в передовых и точных диагностических подходах. Кроме того, многие педиатрические пациенты получают антибиотики до поступления в больницу, что снижает надежность методов диагностики на основе культур, особенно в отношении респираторных патогенов. Поэтому улучшение обогащения нуклеиновых кислот, выделяемых патогенами, в клинических образцах имеет решающее значение для оптимизации точности секвенирования, что привносит еще один уровень сложности в диагностический процесс.
Проблемы в области mNGS
ML может предсказывать чувствительность к противомикробным препаратам, анализируя ARG, выявленные с помощью секвенирования. Однако эффективность моделей ML зависит как от используемой технологии секвенирования, так и от качества полученных данных. В настоящее время в большинстве исследований используется определение AST, сочетающее WGS культивируемых бактериальных штаммов с алгоритмами ML. Преимущество такого подхода заключается в том, что он позволяет получить исчерпывающие данные, включая информацию об аллелях, неаллельных вариантах и генах, которые, возможно, не вносят непосредственного вклада в AMR, но имеют значение для прогнозирования ARG. Несмотря на свой потенциал, остается несколько проблем, которые необходимо решить, прежде чем эти технологии начнут регулярно использоваться в клинической практике.
Одной из серьезных проблем является время, необходимое для культивирования микроорганизмов, которое обычно составляет от 2 до 4 дней, в зависимости от сложности организма. В случае с микобактериями туберкулеза (МТБ) этот процесс может длиться от 2 до 8 недель. Такая задержка в получении образцов может привести к затягиванию сроков диагностики, что особенно актуально для пациентов детского возраста, которым может потребоваться оперативное вмешательство. Кроме того, большой объем данных, получаемых в результате WGS, требует обширного биоинформатического анализа, что увеличивает общее время обработки.
Еще одна проблема возникает при использовании mNGS - многообещающего подхода, который подвержен сложностям, связанным с экспериментальными условиями. К ним относятся контроль микробного загрязнения окружающей среды, исходный объем ДНК в образцах, глубина секвенирования и аналитические возможности, необходимые для обработки огромных объемов данных. Кроме того, результаты mNGS подвержены ложноположительным результатам из-за фонового шума, включающего генетический материал человека-хозяина и организмов из окружающей среды. Это усложняет интерпретацию результатов, затрудняя определение того, является ли идентифицированный микроорганизм истинным возбудителем инфекции. Подобные проблемы становятся еще более очевидными в случаях, когда глубина прочтения обнаруженных патогенов мала, когда результаты не соответствуют клинической картине или когда обнаруживаются редкие или нетипичные патогены. Эти проблемы, несмотря на их значимость, подчеркивают важность постоянного технологического совершенствования методов секвенирования и алгоритмов ML, а также необходимость создания более надежных инструментов биоинформатики и клинических рабочих процессов. Устранение этих препятствий в конечном итоге будет способствовать более широкому внедрению подходов AST и ML на основе секвенирования в лечение педиатрических инфекций, что позволит быстрее и точнее ставить диагнозы и проводить более эффективное лечение.
Этап предварительной обработки данных mNGS может быть облегчен с помощью таких программных инструментов, как Trimmomatic v0.39, которые удаляют фрагменты последовательностей низкого качества и обрезают последовательности недостаточной длины. Транскриптомные технологии, такие как секвенирование РНК, позволяют получить ценные сведения об экспрессии бактериальных генов, что может помочь устранить пробелы в нашем понимании AMR. Секвенирование РНК позволяет обнаружить ARGs непосредственно в клинических образцах без предварительного культивирования, однако его эффективность зависит от качества образца. Например, получение высококачественных образцов мокроты у детей в возрасте до 5 лет часто является сложной задачей. Исследования педиатрических пациентов с тяжелой пневмонией показали, что средний охват генома для выявления патогенов часто бывает низким, а самый высокий зарегистрированный охват составил 42,25%.
В то время как mNGS демонстрирует хорошую чувствительность и специфичность для выявления резистентности к карбапенемам, чувствительность значительно снижается для других механизмов резистентности. Интеграция методов ML привела к успешному прогнозированию исходов AST в нескольких исследованиях. Однако, поскольку mNGS опирается на секвенирование случайных фрагментов, оно может не охватывать важные геномные регионы, что может препятствовать точному типированию микроорганизмов. Это приводит к недостатку данных о видах и ARG, особенно в отношении известных хромосомных мутаций, которые можно обнаружить, но которые могут быть пропущены из-за ограничений секвенирования. Кроме того, часто сложно обнаружить мутации в генах, связанных с резистентностью, например, точечные мутации, участвующие в механизмах резистентности.
Ложноотрицательные результаты, не согласующиеся с результатами AST, также вызывают беспокойство. Кроме того, с помощью mNGS трудно выявить плазмидо-опосредованные механизмы резистентности. И WGS и mNGS, основанные на секвенировании с коротким прочтением, склонны к пропуску ключевой генетической информации из-за неполного охвата критических участков генома. Для снижения этой проблемы необходимо использовать множество программ, таких как Readfq V82 для оценки качества и такие инструменты, как fastp и SPAdes для сборки последовательностей, для скрининга и оптимизации генных последовательностей. Несмотря на эти усилия, неправильная сборка может привести к ошибочным результатам, и даже при улучшении контроля качества выявление ARG остается сложной задачей. Кроме того, несмотря на усилия по снижению генетического фона человека в клинических образцах, значительное количество человеческой ДНК часто сохраняется, что может способствовать сбоям в обнаружении. В педиатрии образцы с низким содержанием микроорганизмов могут привести к неравномерному покрытию генома или недостаточной глубине секвенирования, что подрывает надежность обнаружения ARG. Кроме того, mNGS часто не могут локализовать ARG к конкретным патогенам, что снижает точность прогноза лекарственной чувствительности.
Проблемы, связанные с секвенированием третьего поколения
Технология секвенирования третьего поколения позволяет одновременно выявлять несколько генов резистентности и все локусы резистентности, что дает более полную информацию о лекарственной устойчивости. В одном из исследований общая категориальная достоверность составила 95% для пенициллинов, 82,4% для цефалоспоринов, 76,7% для карбапенемов, 86,9% для фторхинолонов и 96,2% для аминогликозидов. Однако в настоящее время секвенирование третьего поколения имеет завышенную цену, более высокий процент ошибок, связанных с ONT, и трудности с определением гомополимерных последовательностей создают значительные проблемы. Все это может повлиять на точность определения AMR у детей, где точная геномная информация имеет первостепенное значение.
Кроме того, выбор набора для экстракции может повлиять на вариабельность результатов секвенирования третьего поколения, влияя на такие факторы, как время подготовки отчета, выход секвенирования и точность. Более того, виды Pseudomonas являются распространенными контаминантами наборов и реагентов для ONT, и присутствие нуклеиновых кислот из этих организмов может повлиять на точность прогнозирования лекарственной устойчивости. Также, частота ложноположительных результатов в отношении генов лекарственной устойчивости при секвенировании третьего поколения была выше, чем при секвенировании второго поколения, из-за проблем с секвенированием или сборкой. Изменения в стабильности электрического сигнала платформы секвенирования могут вносить погрешности, влияя как на интерпретацию геномных данных, так и на эффективность последующих ML-моделей в прогнозировании моделей резистентности. С другой стороны, ONT предлагает многообещающий прогресс в обнаружении AMR патогенов благодаря возможности секвенирования с длинным прочтением. Этот метод сохраняет важнейшие участки мутаций в ARG, что крайне важно для отслеживания моделей резистентности педиатрических патогенов.
Проблемы, связанные с TS
Подход TS улучшает выявление AMR в педиатрии за счет минимизации вмешательства ДНК хозяина, что повышает чувствительность анализа по сравнению с mNGS. mNGS и tNGS имеют сопоставимые показатели выявления патогенных микроорганизмов у детей, как в образцах дыхательных путей, так и в образцах тканей. Широкое распространение получило их применение для выявления генов лекарственной резистентности в клинических образцах.
Lin et al. (2023) использовали tNGS для выявления в общей сложности 58 ARG, ассоциированных с тетрациклинами, макролидами-линкозамидами-стрептозотоцином, бета-лактамами, сульфаниламидами и аминогликозидами у 19 из 25 педиатрических пациентов. Совпадение результатов tNGS с результатами традиционной AST для эритромицина, тетрациклина, пенициллина и сульфаниламидов составило 89,5%, 79,0%, 36,8% и 42,1% соответственно. Тем не менее, TS подвержен общим проблемам, возникающим при проведении ПЦР, включая неспецифическую амплификацию и загрязнение аэрозолем. Кроме того, такие проблемы, как ограниченная специфичность праймеров, могут привести к ложноположительным или ложноотрицательным результатам. Помимо этого, использование тщательно разработанных зондов и праймеров для ПЦР ограничивает геномный охват, в частности, не позволяет обнаружить последовательности за пределами заданной панели, что может упустить из виду новые гены резистентности, критически важные для педиатрии.
Влияние параметров секвенирования на результаты
Эффективность наборов для секвенирования в прогнозировании чувствительности к антибиотикам при педиатрических инфекциях в значительной степени зависит от их качества. Надежные анализы требуют строгих параметров качества, включая оценку Q30 не менее 75% для точного обнаружения оснований, минимум 50 000 оригинальных чтений для обеспечения адекватных данных о последовательности и пороговые значения 200 и 3000 чтений для амплификации внутренних параметров и целевых регионов патогенности, соответственно. Тем не менее, остается несколько неизбежных проблем, связанных с технологией секвенирования. К ним относятся трудности с отслеживанием происхождения генов лекарственной устойчивости к конкретным микроорганизмам, необходимость клинической корреляции для интерпретации значимости идентифицированных видов бактерий, а также сложная задача различения инфекционных и колонизирующих микроорганизмов, что часто требует дополнительного клинического контекста. Решение этих проблем имеет решающее значение для повышения надежности методов секвенирования в прогнозировании чувствительности к антибиотикам, особенно в педиатрической популяции, где нетипичные симптомы и быстрое прогрессирование заболевания затрудняют диагностические процессы.
Решающая роль всеобъемлющих и актуальных генетических данных о лекарственной резистентности
Крупномасштабные общедоступные базы данных имеют решающее значение для ML-моделей, направленных на прогнозирование результатов AST. Эти базы данных должны быть всеобъемлющими и регулярно обновляться, чтобы повысить точность прогнозирования лекарственной чувствительности, особенно для недавно одобренных антибиотиков. Примером необходимости регулярного обновления может служить Комплексная база данных резистентности к антибиотикам (CARD), последняя версия которой, выходит ежемесячно. Однако эффективность ML-моделей может быть снижена, если при отборе признаков упускаются из виду критические особенности резистентности определенных штаммов. В то время как такие базы данных, как ResFinder, были обновлены до версии 4.0, другие, включая базу данных генов антибиотикорезистентности (ARDB) и базу данных генов антибиотикорезистентности-аннотации (ARG-ANNOT), больше не поддерживаются. Надежность этих эталонных баз данных имеет решающее значение для установления основных тенденций и закономерностей.
В настоящее время геномная информация, в том числе данные о резистентности, неравномерно распределена по публичным базам данных, причем предпочтение отдается данным из развитых стран, таких как Северная Америка и Европа. Хотя вклад развивающихся стран, особенно азиатских, таких как Китай, растет, он все еще отстает от западных аналогов. База данных NORMAN ARB&ARG, созданная Ассоциацией NORMAN, включает информацию об антибиотикорезистентных бактериях и ARG, полученную в результате исследований, проведенных в Китае и Непале. Кроме того, Китай разработал DRESIS, первую в мире всеобъемлющую базу данных по AMR, которая охватывает широкий спектр категорий заболеваний и механизмов резистентности. Постоянное включение высококачественных данных о микроорганизмах и ARGs, а также своевременное обновление этих баз данных имеет важное значение для повышения клинической применимости прогнозов чувствительности к лекарственным препаратам.
Основным ограничением этих баз данных является их неспособность охватить неизвестные генные механизмы резистентности. Кроме того, сосуществование нескольких механизмов резистентности может повлиять на конечный фенотип AMR, что может поставить под угрозу эффективность ML-моделей. Отсутствие стандартизации баз данных добавляет еще один уровень сложности, поскольку несоответствия и вариации данных в разных базах данных могут повлиять на точность и надежность прогнозов ML-моделей.
Основные аспекты применения машинного обучения для прогнозирования восприимчивости к антибиотикам в педиатрии
Машинное обучение в микробиологии, особенно для прогнозирования AST на основе данных секвенирования, имеет значительный потенциал для улучшения принятия клинических решений в педиатрии. Среди различных методов ML наиболее часто в педиатрических исследованиях используются модели Random Forest и Logistic Regression, что отражает их широкую применимость и надежность при работе со сложными массивами данных. Эти модели часто применяются из-за их относительно простой реализации и высокой прогностической эффективности, особенно в таких контекстах, как инфекции кровотока и мочевыводящих путей.
Напротив, более сложные модели, такие как байесовские сети, машины опорных векторов (SVM) и Naïve Bayes, используются реже, что, возможно, связано с их более высокими вычислительными требованиями или ограниченной адаптацией к разнообразной природе педиатрических инфекций. Несмотря на перспективность интеграции ML с технологиями секвенирования, остаются проблемы в точном прогнозировании резистентности к противомикробным препаратам в педиатрии, включая вопросы, связанные с ограничениями технологий секвенирования mNGS, tNGS, ONT и TNS и необходимость дальнейшей оптимизации в выборе и интеграции моделей ML для специфических педиатрических инфекций.
Глубинное обучение также показало свою перспективность в прогнозировании AMR в педиатрии, особенно в выявлении сложных моделей устойчивости патогенов, например, при диагностике неонатального сепсиса. Однако модели глубинного обучения требуют больших вычислительных ресурсов и значительной оптимизации как алгоритмов, так и аппаратного обеспечения для эффективной работы. Для того чтобы сделать модели глубинного обучения пригодными для использования в педиатрической практике AMR, необходимо решить эту вычислительную проблему.
Будущие перспективы
Интеграция ML в педиатрическую инфекционную патологию находится на ранних стадиях, и большинство текущих усилий сосредоточено на отдельных патогенах. Хотя это позволило получить первоначальное представление о структуре антибиотикорезистентности конкретных патогенов, такой подход имеет существенные ограничения, особенно в контексте смешанных инфекций. В клинических сценариях педиатрические пациенты, особенно находящиеся в реанимации, часто страдают от полимикробных инфекций. Проблема точного прогнозирования антибиотикорезистентности при таких сложных инфекциях усугубляется техническими трудностями одновременной идентификации нескольких патогенов. Однако достижение этой возможности стало бы значительным прорывом, поскольку могло бы существенно улучшить процесс принятия клинических решений, обеспечив более полное понимание патогенного ландшафта у каждого отдельного пациента.
В настоящее время не существует стандартного метода для изучения и прогнозирования резистома - совокупности всех генов резистентности - при педиатрических инфекциях. Выявление AMR у детей остается одной из самых актуальных проблем современной медицины. Растущее число педиатрических инфекций с лекарственной устойчивостью требует согласованных усилий как клиницистов, так и исследователей для разработки более эффективных диагностических инструментов и терапевтических стратегий. Несмотря на то, что исследования по применению ML к педиатрическим AMR все еще ограничены, растущий объем исследований в этой области подчеркивает ее важность. Повышенное внимание к этой области имеет решающее значение для улучшения лечения педиатрических лекарственно-устойчивых инфекций, смягчения роста AMR и, в конечном счете, предотвращения дальнейших осложнений в уязвимых педиатрических группах населения.
Развитие технологий WGS и NGS создало мощную основу для изучения чувствительности к антибиотикам, проведения эволюционного анализа и раскрытия молекулярных механизмов AMR. Эти технологии позволили более точно определять гены резистентности и их распределение среди различных видов микроорганизмов, что способствовало более глубокому пониманию динамики AMR. По мере роста числа исследований с использованием NGS и ML клинический надзор за AMR становится все более надежным, предлагая врачам ценные сведения, которые могут служить основой для принятия решений о лечении.
В перспективе существует огромный потенциал для разработки интегрированных платформ на основе ML, которые не только выявляют устойчивость к противомикробным препаратам, но и преобразуют эту информацию в персонализированные рекомендации по лечению педиатрических пациентов. Такие платформы могут объединить профили резистентности патогенов с данными о конкретном пациенте для создания индивидуальных планов лечения, что в конечном итоге упростит клинический рабочий процесс и улучшит уход за пациентами. Это ознаменовало бы значительный прогресс в педиатрической микробиологии, обеспечив клиницистов оперативными данными в режиме реального времени, которые повысили бы точность диагностики и эффективность лечения. Эти платформы также можно будет стандартизировать для контроля качества, чтобы клинические решения основывались на надежных и воспроизводимых данных.
