Sztuczna inteligencja może opracować metody leczenia zapobiegające „superbakteriom”
Ostatnia recenzja: 14.06.2024
Cała zawartość iLive jest sprawdzana medycznie lub sprawdzana pod względem faktycznym, aby zapewnić jak największą dokładność faktyczną.
Mamy ścisłe wytyczne dotyczące pozyskiwania i tylko linki do renomowanych serwisów medialnych, akademickich instytucji badawczych i, o ile to możliwe, recenzowanych badań medycznych. Zauważ, że liczby w nawiasach ([1], [2] itd.) Są linkami do tych badań, które można kliknąć.
Jeśli uważasz, że któraś z naszych treści jest niedokładna, nieaktualna lub w inny sposób wątpliwa, wybierz ją i naciśnij Ctrl + Enter.
Naukowcy z kliniki w Cleveland opracowali model sztucznej inteligencji (AI), który może określić najlepszą kombinację i czas przepisywania leków w celu leczenia infekcji bakteryjnej wyłącznie na podstawie tempa wzrostu bakterii w określonych warunkach ekspozycji. Zespół kierowany przez dr Jacoba Scotta i jego laboratorium w Oddziale Teoretycznym Hematologii i Onkologii Translacyjnej opublikował niedawno swoje wyniki w Proceedings of the National Academy of Sciences. P>
Antybiotykom przypisuje się wydłużenie średniej długości życia w Stanach Zjednoczonych o prawie dekadę. Leczenie zmniejszyło liczbę zgonów z powodu problemów zdrowotnych, które obecnie uważamy za drobne, takich jak niektóre skaleczenia i urazy. Jednak antybiotyki nie działają już tak dobrze, jak kiedyś, częściowo ze względu na ich powszechne stosowanie.
„Światowe organizacje zajmujące się zdrowiem zgadzają się, że wkraczamy w erę postantybiotykową” – wyjaśnia dr Scott. „Jeśli nie zmienimy sposobu walki z bakteriami, do 2050 r. Więcej ludzi umrze z powodu infekcji opornych na antybiotyki niż z powodu raka.”
Bakterie rozmnażają się szybko, tworząc zmutowane potomstwo. Nadużywanie antybiotyków stwarza bakteriom możliwość rozwoju mutacji opornych na leczenie. Z biegiem czasu antybiotyki zabijają wszystkie podatne bakterie, pozostawiając jedynie silniejsze mutanty, których antybiotyki nie są w stanie zniszczyć.
Jedna ze strategii stosowanych przez lekarzy w celu unowocześnienia leczenia infekcji bakteryjnych nazywa się rotacją antybiotyków. Pracownicy służby zdrowia stosują na zmianę różne antybiotyki w określonych okresach czasu. Przełączanie między różnymi lekami daje bakteriom mniej czasu na rozwinięcie się oporności na jakąkolwiek klasę antybiotyków. Rotacja może nawet zwiększyć podatność bakterii na inne antybiotyki.
„Rotacja leków jest obiecująca w skutecznym leczeniu chorób” – mówi pierwszy autor badania i student medycyny Davis Weaver. „Problem polega na tym, że nie wiemy, jak to zrobić najlepiej. Nie ma standardów dotyczących tego, jaki antybiotyk podawać, jak długo i w jakiej kolejności.”
Współautor badania dr Jeff Maltas, pracownik naukowy ze stopniem doktora w Cleveland Clinic, wykorzystuje modele komputerowe do przewidywania, w jaki sposób oporność bakterii na jeden antybiotyk osłabia je na inny. Połączył siły z dr Weaverem, aby zbadać, czy modele oparte na danych mogą przewidywać wzorce rotacji leków, które minimalizują oporność na antybiotyki i maksymalizują wrażliwość na antybiotyki, pomimo losowego charakteru ewolucji bakterii.
Dr. Weaver poprowadził zastosowanie uczenia się przez wzmacnianie do modelu rotacji leków, który uczy komputer uczenia się na swoich błędach i sukcesach w celu określenia najlepszej strategii wykonania zadania. Według dr. Weavera i Maltasa badanie to jest jednym z pierwszych, w którym zastosowano uczenie się przez wzmacnianie w schematach rotacji antybiotyków.
Schematyczna symulacja ewolucyjna i przetestowane podejścia optymalizacyjne. Źródło: Proceedings of the National Academy of Sciences (2024). DOI: 10.1073/pnas.2303165121
„Uczenie się przez wzmacnianie to idealne podejście, ponieważ wystarczy wiedzieć, jak szybko rosną bakterie, co jest stosunkowo łatwe do określenia” – wyjaśnia dr Weaver. „Istnieje również miejsce na zmienność i błędy ludzkie. Nie ma potrzeby każdorazowego pomiaru tempa wzrostu co do milisekundy.”
Sztuczna inteligencja zespołu badawczego była w stanie opracować najskuteczniejsze plany rotacji antybiotyków w celu leczenia wielu szczepów E. Coli i zapobiegania lekooporności. Badanie pokazuje, że sztuczna inteligencja może wspierać złożone podejmowanie decyzji, np. Obliczanie harmonogramów leczenia antybiotykami – mówi dr Maltas.
Dr. Weaver wyjaśnia, że oprócz zarządzania infekcją pojedynczego pacjenta opracowany przez zespół model sztucznej inteligencji może informować o tym, w jaki sposób szpitale leczą infekcje jako całość. On i jego zespół badawczy pracują również nad rozszerzeniem swojej pracy poza infekcje bakteryjne na inne śmiertelne choroby.
„Ten pomysł nie ogranicza się do bakterii, ale można go zastosować do wszystkiego, co może rozwinąć się oporność na leczenie” – mówi. „Wierzymy, że w przyszłości tego typu sztuczną inteligencję można będzie wykorzystać do leczenia nowotworów opornych na leczenie”.