A mesterséges intelligencia kezeléseket dolgozhat ki a „szuperbaktériumok” megelőzésére
Utolsó ellenőrzés: 14.06.2024
Minden iLive-tartalmat orvosi szempontból felülvizsgáltak vagy tényszerűen ellenőriznek, hogy a lehető legtöbb tényszerű pontosságot biztosítsák.
Szigorú beszerzési iránymutatásunk van, és csak a jó hírű média oldalakhoz, az akadémiai kutatóintézetekhez és, ha lehetséges, orvosilag felülvizsgált tanulmányokhoz kapcsolódik. Ne feledje, hogy a zárójelben ([1], [2] stb.) Szereplő számok ezekre a tanulmányokra kattintható linkek.
Ha úgy érzi, hogy a tartalom bármely pontatlan, elavult vagy más módon megkérdőjelezhető, jelölje ki, és nyomja meg a Ctrl + Enter billentyűt.
A Cleveland Clinic kutatói kifejlesztettek egy mesterséges intelligencia (AI) modellt, amely képes meghatározni a bakteriális fertőzés kezelésére szolgáló gyógyszerek felírásának legjobb kombinációját és időzítését, kizárólag a baktériumok bizonyos expozíciók melletti szaporodási sebessége alapján. A Dr. Jacob Scott és a Translational Hematology and Oncology elméleti osztályának laboratóriuma által vezetett csapat a közelmúltban publikálta eredményeit a Proceedings of the National Academy of Sciences című kiadványban. P>
Az antibiotikumok az Egyesült Államokban közel egy évtizeddel növelik a várható élettartamot. A kezelés csökkentette a ma már kisebbnek tartott egészségügyi problémák miatti halálozási arányt, mint például egyes vágások és sérülések. Az antibiotikumok azonban már nem hatnak olyan jól, mint korábban, részben elterjedt használatuk miatt.
„A globális egészségügyi szervezetek egyetértenek abban, hogy az antibiotikumok utáni korszakba lépünk” – magyarázza Dr. Scott. „Ha nem változtatunk a baktériumok elleni küzdelem módján, 2050-re többen halnak meg antibiotikum-rezisztens fertőzésekben, mint rákban.”
A baktériumok gyorsan szaporodnak, mutáns utódokat hozva létre. Az antibiotikumok túlzott használata lehetőséget ad a baktériumoknak olyan mutációk kialakulására, amelyek rezisztensek a kezelésre. Idővel az antibiotikumok elpusztítják az összes fogékony baktériumot, és csak erősebb mutánsok maradnak, amelyeket az antibiotikumok nem tudnak elpusztítani.
Az orvosok által a bakteriális fertőzések kezelésének korszerűsítésére alkalmazott egyik stratégia az antibiotikum-rotáció. Az egészségügyi szolgáltatók meghatározott időszakonként váltogatják a különböző antibiotikumokat. A különböző gyógyszerek közötti váltás kevesebb időt biztosít a baktériumoknak arra, hogy rezisztenciát fejlesszenek ki bármely antibiotikum-csoporttal szemben. A rotáció akár érzékenyebbé teheti a baktériumokat más antibiotikumokkal szemben.
„A gyógyszerrotáció ígéretes a betegségek hatékony kezelésében” – mondja a tanulmány első szerzője és orvostanhallgató Davis Weaver, Ph.D. „Az a probléma, hogy nem tudjuk a legjobb módszert erre. Nincsenek szabványok arra vonatkozóan, hogy milyen antibiotikumot adjunk, mennyi ideig és milyen sorrendben.”
A tanulmány társszerzője, Dr. Jeff Maltas, a Cleveland Clinic posztdoktori kutatója számítógépes modellek segítségével megjósolja, hogy a baktériumok egyik antibiotikummal szembeni rezisztenciája hogyan gyengíti őket egy másik antibiotikummal szemben. Dr. Weaverrel együttműködve feltárta, vajon az adatvezérelt modellek megjósolhatják-e a gyógyszer-rotációs mintákat, amelyek minimalizálják az antibiotikum-rezisztenciát és maximalizálják az antibiotikum-érzékenységet, a baktériumok evolúciójának véletlenszerű természete ellenére.
Dr. Weaver a megerősítő tanulás alkalmazását a drogrotációs modellhez vezette, amely arra tanítja a számítógépet, hogy tanuljon a hibáiból és a sikereiből, hogy meghatározza a legjobb stratégiát a feladat elvégzéséhez. A dr. Weaver és Maltas szerint ez a tanulmány az elsők között, amely a megerősítő tanulást alkalmazza az antibiotikum-rotációs sémákra.
Sémaszerű evolúciós szimuláció és tesztelt optimalizálási megközelítések. Forrás: Proceedings of the National Academy of Sciences (2024). DOI: 10.1073/pnas.2303165121
„Az erősítés tanulása ideális megközelítés, mert csak azt kell tudni, hogy milyen gyorsan szaporodnak a baktériumok, ami viszonylag könnyen meghatározható” – magyarázza Dr. Weaver. „Változásnak és emberi tévedésnek is van helye. Nem kell minden alkalommal ezredmásodpercig mérni a növekedési ütemet.”
A kutatócsoport mesterséges intelligenciája ki tudta találni a leghatékonyabb antibiotikum-rotációs terveket több E. Coli törzs kezelésére és a gyógyszerrezisztencia megelőzésére. A tanulmány azt mutatja, hogy a mesterséges intelligencia támogathatja az összetett döntéshozatalt, például az antibiotikum-kezelés ütemtervének kiszámítását, mondja Dr. Maltas.
Dr. Weaver elmagyarázza, hogy az egyes páciensek fertőzésének kezelésén túl a csapat mesterséges intelligencia-modellje tájékoztathat arról, hogy a kórházak hogyan kezelik a fertőzéseket összességében. Ő és kutatócsoportja azon is dolgozik, hogy munkájukat a bakteriális fertőzéseken túl más halálos betegségekre is kiterjesszék.
„Ez az ötlet nem korlátozódik a baktériumokra, hanem mindenre alkalmazható, amiben rezisztencia alakulhat ki a kezeléssel szemben” – mondja. „Úgy gondoljuk, hogy a jövőben ezeket a mesterséges intelligencia típusokat fel lehetne használni a kezelésre rezisztens rákok kezelésére.”