Artificiell intelligens kan utveckla behandlingar för att förhindra "superbugs"
Senast recenserade: 14.06.2024
Allt iLive-innehåll är mediekontrollerat eller faktiskt kontrollerat för att säkerställa så mycket faktuell noggrannhet som möjligt.
Vi har strikta sourcing riktlinjer och endast länk till välrenommerade media webbplatser, akademiska forskningsinstitut och, när det är möjligt, medicinsk peer granskad studier. Observera att siffrorna inom parentes ([1], [2] etc.) är klickbara länkar till dessa studier.
Om du anser att något av vårt innehåll är felaktigt, omodernt eller på annat sätt tveksamt, välj det och tryck på Ctrl + Enter.
Forskare vid Cleveland Clinic har utvecklat en artificiell intelligens (AI)-modell som kan bestämma den bästa kombinationen och tidpunkten för att förskriva läkemedel för att behandla en bakterieinfektion baserat enbart på bakterietillväxthastigheten under vissa exponeringar. Ett team under ledning av Dr. Jacob Scott och hans laboratorium vid Theoretical Division of Translational Hematology and Oncology publicerade nyligen sina resultat i Proceedings of the National Academy of Sciences. p>
Antibiotika anses ha ökat medellivslängden i USA med nästan ett decennium. Behandlingen minskade dödligheten av hälsoproblem som vi nu anser vara mindre, såsom vissa skärsår och skador. Men antibiotika fungerar inte längre så bra som de en gång gjorde, delvis på grund av deras utbredda användning.
"Globala hälsoorganisationer är överens om att vi går in i en post-antibiotika-era", förklarar Dr. Scott. "Om vi inte ändrar sättet vi bekämpar bakterier på kommer fler människor att dö av antibiotikaresistenta infektioner år 2050 än av cancer."
Bakterier förökar sig snabbt och producerar muterade avkommor. Överanvändning av antibiotika ger bakterier möjlighet att utveckla mutationer som är resistenta mot behandling. Med tiden dödar antibiotika alla känsliga bakterier och lämnar bara starkare mutanter som antibiotika inte kan förstöra.
En strategi som läkare använder för att modernisera behandlingen av bakteriella infektioner kallas antibiotikarotation. Vårdgivare växlar mellan olika antibiotika under specifika tidsperioder. Att byta mellan olika läkemedel ger bakterier mindre tid att utveckla resistens mot någon klass av antibiotika. Rotation kan till och med göra bakterier mer mottagliga för andra antibiotika.
"Drogrotation visar lovande för att effektivt behandla sjukdomar", säger studiens första författare och medicinstudent Davis Weaver, Ph.D. "Problemet är att vi inte vet det bästa sättet att göra det på. Det finns inga standarder för vilken antibiotika man ska ge, hur länge och i vilken ordning.”
Medförfattaren till studien Dr. Jeff Maltas, en postdoktor vid Cleveland Clinic, använder datormodeller för att förutsäga hur bakteriers resistens mot ett antibiotikum gör dem svagare mot ett annat. Han slog sig ihop med Dr. Weaver för att undersöka om datadrivna modeller kunde förutsäga läkemedelsrotationsmönster som minimerar antibiotikaresistens och maximerar antibiotikakänsligheten, trots bakteriell utvecklings slumpmässiga natur.
Dr. Weaver ledde tillämpningen av förstärkningsinlärning på drogrotationsmodellen, som lär en dator att lära sig av sina misstag och framgångar för att bestämma den bästa strategin för att slutföra en uppgift. Enligt Drs. Weaver och Maltas, denna studie är en av de första som tillämpar förstärkningsinlärning på antibiotikarotationsregimer.
Skematisk evolutionär simulering och testade optimeringsmetoder. Källa: Proceedings of the National Academy of Sciences (2024). DOI: 10.1073/pnas.2303165121
"Reinforcement learning är ett idealiskt tillvägagångssätt eftersom du bara behöver veta hur snabbt bakterierna växer, vilket är relativt lätt att avgöra", förklarar Dr. Weaver. – Det finns också utrymme för variation och mänskliga fel. Det finns inget behov av att mäta tillväxthastigheten ner till millisekund varje gång.”
Forskargruppens AI kunde ta reda på de mest effektiva antibiotikarotationsplanerna för att behandla flera stammar av E. Coli och förhindra läkemedelsresistens. Studien visar att AI kan stödja komplext beslutsfattande, som att beräkna antibiotikabehandlingsscheman, säger Dr. Maltas.
Dr. Weaver förklarar att förutom att hantera en enskild patients infektion kan teamets AI-modell informera om hur sjukhus behandlar infektioner som helhet. Han och hans forskargrupp arbetar också med att utöka sitt arbete bortom bakterieinfektioner till andra dödliga sjukdomar.
"Denna idé är inte begränsad till bakterier, utan kan appliceras på allt som kan utveckla resistens mot behandling", säger han. "I framtiden tror vi att dessa typer av AI kan användas för att hantera behandlingsresistenta cancerformer."