L'intelligenza artificiale prevede più velocemente la resistenza agli antibiotici
Uno studio condotto congiuntamente dall'ETH di Zurigo ha dimostrato che la resistenza batterica può essere determinata molto più velocemente di prima utilizzando algoritmi informatici. Questo potrebbe aiutare a trattare le infezioni gravi in modo più efficiente in futuro.
I batteri resistenti agli antibiotici sono in aumento in tutto il mondo, anche in Svizzera. In questo Paese muoiono circa 300 persone all'anno per infezioni causate da batteri multiresistenti. La diagnosi rapida e l'uso mirato degli antibiotici svolgono un ruolo decisivo nel rallentare la diffusione dei batteri resistenti.
Ma è proprio questo il problema: per verificare quali antibiotici sono ancora efficaci contro un agente patogeno spesso ci vogliono due giorni o più, perché i batteri prelevati dai campioni dei pazienti devono prima essere coltivati in laboratorio. Per questo motivo i medici spesso trattano le infezioni gravi inizialmente con un cosiddetto antibiotico ad ampio spettro, efficace contro il maggior numero possibile di tipi di batteri.
"Algoritmi di intelligenza artificiale hanno imparato a riconoscere autonomamente la resistenza agli antibiotici sulla base di dati di spettrometria di massa".Karsten Borgwardt, l'ETH Professore
I ricercatori dell'ETH di Zurigo, dell'Ospedale universitario di Basilea e dell'Università di Basilea hanno ora sviluppato un metodo che può essere utilizzato per identificare le caratteristiche di resistenza agli antibiotici nei batteri 24 ore prima, utilizzando i dati della spettrometria di massa.
"Algoritmi informatici intelligenti cercano i modelli che differenziano i batteri con e senza resistenza", spiega Caroline Weis, dottoranda presso il Dipartimento biosistemi e ingegneria dell'ETH di Zurigo a Basilea e autrice principale dello studio. I ricercatori hanno pubblicato il metodo nell'ultimo numero della rivista scientifica pagina esternaNature Medicine.
Il tempo per una terapia ottimale è critico
Se è possibile determinare precocemente le resistenze agli antibiotici, i medici possono adattare più rapidamente la terapia antibiotica ai batteri specifici. Ne trarrebbero vantaggio soprattutto i pazienti gravemente malati.
"Il tempo necessario per trovare il trattamento migliore può fare la differenza tra la vita e la morte in caso di infezione grave. Una diagnosi rapida e accurata è estremamente importante", afferma Adrian Egli, responsabile della batteriologia clinica e professore dell'Ospedale Universitario di Basilea.
Il dispositivo di spettrometria di massa che fornisce i dati per il nuovo metodo è già utilizzato nella maggior parte dei laboratori microbiologici per identificare il tipo di batterio. Il dispositivo misura migliaia di frammenti proteici nel campione e crea quindi un'impronta digitale individuale delle proteine batteriche. Anche in questo caso i batteri devono essere coltivati in anticipo, ma solo per poche ore.
Creato un nuovo enorme set di dati
I ricercatori di Basilea hanno ora utilizzato la spettrometria di massa in un modo nuovo per determinare ulteriormente la resistenza batterica. Hanno collegato 300.000 dati di spettrometria di massa di singoli batteri provenienti da quattro laboratori della Svizzera nordoccidentale con i risultati di precedenti test di resistenza. Circa 800 batteri diversi e Chi siamo, 40 antibiotici diversi, sono inclusi nel nuovo set di dati accessibili al pubblico.
"Gli algoritmi di intelligenza artificiale hanno ora imparato a riconoscere autonomamente la resistenza agli antibiotici sulla base di questi dati", spiega Karsten Borgwardt, professore del Dipartimento biosistemi e ingegneria dell'ETH di Zurigo a Basilea, che ha guidato lo studio insieme ad Adrian Egli.
Per sviluppare un modello di previsione il più preciso possibile, i ricercatori hanno studiato in che misura i dati di addestramento influenzano il successo di apprendimento degli algoritmi. Ad esempio, hanno addestrato il modello di previsione con i dati di un solo ospedale o con quelli di più ospedali.
Mentre i lavori precedenti in questo campo di ricerca hanno esaminato singole specie batteriche o antibiotici, lo studio recentemente pubblicato si basa su un'ampia gamma di specie batteriche isolate negli ospedali e su un gran numero di caratteristiche di resistenza associate. "Stiamo presentando il più grande set di dati che combina dati di spettrometria di massa con informazioni sulla resistenza agli antibiotici", afferma Borgwardt. "Ed è un ottimo esempio di come i dati clinici esistenti possano essere utilizzati per ottenere nuove conoscenze".
Gli algoritmi riconoscono in modo affidabile le resistenze più comuni
Per testare l'utilità delle previsioni del computer, i ricercatori hanno analizzato circa 60 casi di studio insieme a un infettivologo. L'obiettivo era scoprire in che misura le previsioni avrebbero influenzato la terapia antibiotica scelta se fossero state decise dall'infettivologo in una fase iniziale.
In questi esempi, il team di ricerca si è concentrato su batteri resistenti agli antibiotici particolarmente importanti, tra cui gli stafilococchi resistenti alla meticillina (MRSA) e i batteri intestinali con resistenza agli antibiotici beta-lattamici ad ampio spettro.
Questo studio è importante perché i medici basano la scelta dell'antibiotico anche su fattori come l'età e la storia clinica del paziente. In alcuni casi, l'infettivologo avrebbe utilizzato un antibiotico diverso con il nuovo metodo.
Lo studio clinico è già in fase di pianificazione
C'è un'altra sfida da superare prima che la nuova procedura diagnostica possa essere utilizzata: i benefici del nuovo metodo devono essere confermati nella pratica ospedaliera quotidiana nell'ambito di uno studio clinico più ampio. "Stiamo già pianificando uno studio corrispondente", afferma Egli. Il microbiologo clinico è fiducioso che il progetto migliorerà il trattamento delle infezioni nei prossimi anni.
Il progetto solleva anche molte questioni importanti in relazione al campo di ricerca dell'intelligenza artificiale in medicina, afferma Borgwardt. "Con questo set di dati, possiamo studiare in modo più dettagliato le modifiche da apportare a livello di algoritmo per migliorare ulteriormente la qualità delle previsioni in tempi e luoghi diversi."
I Cantoni di Basilea Città e Basilea Campagna hanno fornito il supporto finanziario per questo lavoro di ricerca.
Letteratura di riferimento
Weis C, Cuénod A, Rieck B, Dubuis O, Graf S, Lang C, Oberle M, Brackmann M, S?gaard K, Osthoff M, Borgwardt K, Egli A. Direct Antimicrobial Resistance Prediction from clinical MALDI-TOF mass spectra using Machine Learning (Previsione diretta della resistenza antimicrobica dagli spettri di massa MALDI-TOF clinici mediante apprendimento automatico), Nature Medicine, 21 gennaio 2021. DOI: pagina esterna10.1038/s41591-021-01619-9