Машинное обучение при назначении антибиотиков может помочь минимизировать распространение резистентностиМашинное обучение при назначении антибиотиков может помочь минимизировать распространение резистентности
Используя методы геномного секвенирования и машинного обучения, исследователи разработали алгоритм назначения антибиотиков, который снижает риск возникновения антибиотикорезистентности в два раза.
Работа, опубликованная 24 февраля в журнале Science посвящена двум очень распространенным бактериальным инфекциям - инфекциям мочевыводящих путей и раневым инфекциям, и описывает как история инфекций каждого пациента может быть использована для выбора оптимального антибиотика, чтобы снизить вероятность возникновения устойчивости к антибиотикам.
Клиническое лечение инфекций сосредоточено на правильном подборе антибиотика в соответствии с профилем резистентности возбудителя, но даже такое правильно подобранное лечение может оказаться неудачным, поскольку резистентность может возникнуть во время самого лечения. "Мы хотели понять, как возникает резистентность к антибиотикам в процессе лечения, и найти способы более точного подбора антибиотиков для каждого пациента, чтобы не только правильно подобрать антибиотик в соответствии с текущей восприимчивостью пациента к инфекции, но и минимизировать риск рецидива инфекции и возникновения резистентности к лечению", - говорит руководитель исследования Рой Кишони.
Ключом к успеху этого подхода стало понимание того, что появление резистентности к антибиотикам можно предсказать при инфекциях отдельных пациентов. Бактерии могут эволюционировать путем случайного приобретения мутаций, которые делают их резистентными, но случайность этого процесса делает его трудно предсказуемым и предотвратимым. Однако исследователи обнаружили, что при инфекциях большинства пациентов резистентность не приобреталась путем случайных мутаций. Вместо этого устойчивость возникала в результате повторного заражения существующими резистентными бактериями из собственного микробиома пациента. Исследователи обратили эти выводы в преимущество: они предложили подбирать антибиотик не только в зависимости от восприимчивости бактерий, вызывающих текущую инфекцию пациента, но и в зависимости от бактерий в его микробиоме, которые могут их заменить.
"Мы обнаружили, что чувствительность к антибиотикам при прошлых инфекциях пациента можно использовать для прогнозирования риска возвращения резистентной инфекции после лечения антибиотиками", - объясняет Кишони. "Использование этих данных, а также демографических характеристик пациента, таких как возраст и пол, позволило нам разработать алгоритм".
Mathew Stracy et al. Минимизация вызванного лечением возникновения резистентности к антибиотикам при бактериальных инфекциях (аннотация).
Лечение бактериальных инфекций в настоящее время сосредоточено на выборе антибиотика, соответствующего восприимчивости возбудителя, при этом меньше внимания уделяется риску того, что даже подобранное по восприимчивости лечение может оказаться неудачным в результате возникновения резистентности в ответ на лечение. Объединив полногеномное секвенирование 1113 бактериальных изолятов до и после лечения с анализом с помощью машинного обучения 140 349 инфекций мочевыводящих путей и 7365 раневых инфекций, мы обнаружили, что возникновение резистентности, вызванное лечением, можно предсказать и свести к минимуму на уровне отдельного пациента.
Возникновение резистентности было обычным явлением, которое было вызвано не эволюцией резистентности de novo, а быстрым реинфицированием другим штаммом, резистентным к назначенному антибиотику. Поскольку большинство инфекций заносятся из собственной микробиоты пациента, эти рецидивы, вызывающие резистентность, могут быть предсказаны на основе истории инфекций пациента в прошлом и сведены к минимуму с помощью персонализированных рекомендаций по антибиотикам на основе машинного обучения, что позволяет снизить появление и распространение резистентных патогенов.
