Új kiadványok
A mesterséges intelligencia olyan kezeléseket fejleszthet ki, amelyekkel megelőzhetőek a "szuperbaktériumok
Utolsó ellenőrzés: 02.07.2025
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 Klinika kutatói kifejlesztettek egy mesterséges intelligencia (MI) modellt, amely képes meghatározni a bakteriális fertőzés kezelésére szolgáló gyógyszerek legjobb kombinációját és időzítését, kizárólag a baktérium bizonyos körülmények közötti növekedési üteme alapján. A Dr. Jacob Scott és a Transzlációs Hematológia és Onkológia Elméleti Osztályán belüli laboratóriuma által vezetett csapat nemrégiben publikálta eredményeit a Proceedings of the National Academy of Sciences című folyóiratban.
Az antibiotikumok közel egy évtizeddel növelték az átlagos várható élettartamot az Egyesült Államokban. A kezelések csökkentették a ma már kisebb jelentőségű egészségügyi problémák, például egyes vágások és sérülések okozta halálozási arányt. Az antibiotikumok azonban már nem olyan jól működnek, mint régen, részben azért, mert olyan széles körben használják őket.
„A globális egészségügyi szervezetek egyetértenek abban, hogy egy posztantibiotikum korszakba lépünk” – magyarázza Dr. Scott. „Ha nem változtatunk a baktériumok elleni küzdelem módján, 2050-re több ember fog meghalni antibiotikum-rezisztens fertőzésekben, mint rákban.”
A baktériumok gyorsan szaporodnak, mutáns utódokat hozva létre. Az antibiotikumok túlzott használata lehetőséget ad a baktériumoknak arra, hogy olyan mutációkat fejlesszenek ki, amelyek rezisztensek a kezelésre. Idővel az antibiotikumok elpusztítják az összes érzékeny baktériumot, és csak az erősebb mutánsok maradnak meg, amelyeket az antibiotikumok nem tudnak elpusztítani.
Az orvosok által a bakteriális fertőzések kezelésének korszerűsítésére alkalmazott egyik stratégia az antibiotikum-rotáció. Az egészségügyi dolgozók idővel váltogatják a különböző antibiotikumokat. A különböző gyógyszerek közötti váltás kevesebb időt biztosít a baktériumoknak, hogy rezisztenciát fejlesszenek ki bármelyik antibiotikum-osztályral szemben. A rotáció akár fogékonyabbá is teheti a baktériumokat más antibiotikumokkal szemben.
„A gyógyszerrotáció ígéretesnek tűnik a betegségek hatékony kezelésében” – mondja a tanulmány első szerzője és orvostanhallgató, Dr. Davis Weaver. „A probléma az, hogy nem tudjuk, mi a legjobb módja ennek. Nincsenek szabványok arra vonatkozóan, hogy melyik antibiotikumot kell adni, mennyi ideig vagy milyen sorrendben.”
A tanulmány társszerzője, Dr. Jeff Maltas, a Cleveland Klinika posztdoktori kutatója számítógépes modellek segítségével jósolja meg, hogy a baktériumok egyik antibiotikummal szembeni rezisztenciája hogyan teszi őket gyengébbé egy másikkal szemben. Dr. Weaverrel együttműködve azt vizsgálta, hogy az adatvezérelt modellek képesek-e megjósolni azokat a gyógyszerrotációs mintákat, amelyek minimalizálják az antibiotikum-rezisztenciát és maximalizálják az érzékenységet, a baktériumok evolúciójának véletlenszerű jellege ellenére.
Dr. Weaver vezette a megerősítéses tanulás alkalmazását a gyógyszerrotációs modellben, amely megtanítja a számítógépet arra, hogy a hibáiból és sikereiből tanulva határozza meg a feladat elvégzéséhez szükséges legjobb stratégiát. Dr. Weaver és Dr. Maltas szerint ez az első tanulmány, amely a megerősítéses tanulást antibiotikum-rotációs rendszerekre alkalmazza.
Vázlatos evolúciós szimuláció és tesztelt optimalizálási megközelítések. Forrás: Proceedings of the National Academy of Sciences (2024). DOI: 10.1073/pnas.2303165121
„A megerősítéses tanulás ideális megközelítés, mivel csak azt kell tudni, hogy milyen gyorsan nőnek a baktériumok, ami viszonylag könnyen meghatározható” – magyarázza Dr. Weaver. „Van lehetőség az emberi variációra és hibára is. Nem kell minden alkalommal milliszekundum pontossággal mérni a növekedési ütemet.”
A kutatócsoport mesterséges intelligenciája képes volt kitalálni a leghatékonyabb antibiotikum-rotációs terveket több E. coli törzs kezelésére és a gyógyszerrezisztencia megelőzésére. A tanulmány azt mutatja, hogy a mesterséges intelligencia képes támogatni az összetett döntéshozatalt, például az antibiotikum-kezelési ütemterv kiszámítását – mondja Dr. Maltas.
Dr. Weaver elmagyarázza, hogy az egyes betegek fertőzésének kezelésén túl a csapat mesterséges intelligencia modellje tájékoztatást nyújthat arról, hogy a kórházak hogyan kezelik a fertőzéseket összességében. Kutatócsoportjával azon is dolgozik, hogy munkájukat a bakteriális fertőzéseken túl más halálos betegségekre is kiterjesszék.
„Ez az ötlet nem korlátozódik a baktériumokra, bármilyen olyan tárgyra alkalmazható, amely rezisztenciát fejleszthet ki a kezeléssel szemben” – mondja. „Úgy gondoljuk, hogy a jövőben az ilyen típusú mesterséges intelligenciát fel lehetne használni a kezelésre rezisztens rákos megbetegedések kezelésére.”