به گفته محققان، الگوریتم های کامپیوتری می توانند مقاومت ضد میکروبی باکتری ها را سریعتر از روش های قبلی تعیین کنند.
این می تواند به درمان موثرتر عفونت های جدی در آینده کمک کند.
باکتری های مقاوم به آنتی بیوتیک در سراسر جهان در حال افزایش هستند. هر سال، عفونت های ناشی از باکتری های مقاوم به بسیاری از داروها منجر به مرگ حداقل 300 نفر تنها در سوئیس می شود.
آزمایش‌های تشخیصی سریع و استفاده هدفمند از آنتی‌بیوتیک‌ها نقش مهمی در محدود کردن گسترش این «ابر باکتری‌های» مقاوم به آنتی‌بیوتیک دارند.
با این حال، اغلب دو یا چند روز طول می‌کشد تا مشخص شود کدام آنتی‌بیوتیک هنوز در برابر یک پاتوژن خاص مؤثر است، زیرا باکتری‌های نمونه بیمار ابتدا باید در آزمایشگاه تشخیصی کشت شوند.
به دلیل این تأخیر، بسیاری از پزشکان در ابتدا عفونت‌های جدی را با دسته‌ای از داروهای معروف به آنتی‌بیوتیک‌های طیف وسیع درمان می‌کنند که بر طیف وسیعی از گونه‌های باکتریایی مؤثر هستند.
اکنون محققان روشی را توسعه داده اند که از داده های طیف سنجی جرمی برای شناسایی علائم مقاومت آنتی بیوتیکی در باکتری ها تا 24 ساعت زودتر استفاده می کند.
کارولین وایس، دانشجوی دکترای دپارتمان بیوسیستم و مهندسی در ETH زوریخ و نویسنده اصلی این مطالعه در مجله می‌گوید: «الگوریتم‌های رایانه‌ای هوشمند در حال بررسی مدل‌هایی هستند که باکتری‌های مقاوم را از باکتری‌هایی که به آنتی‌بیوتیک‌ها پاسخ می‌دهند متمایز می‌کنند. طب طبیعی.
با شناسایی مقاومت آنتی بیوتیکی قابل توجه در مراحل اولیه، پزشکان می توانند درمان آنتی بیوتیکی را سریعتر با باکتری تطبیق دهند. این می تواند به ویژه برای بیمارانی که به شدت بیمار هستند مفید باشد.
آدریان اگلی، پروفسور و رئیس باکتری‌شناسی بالینی در بیمارستان دانشگاه بازل، می‌گوید: «زمانی که برای بهینه‌سازی درمان آنتی‌بیوتیکی لازم است، می‌تواند به معنای تفاوت بین زندگی و مرگ در صورت جدی بودن عفونت باشد». "تشخیص سریع و دقیق در چنین مواردی بسیار مهم است."
800 باکتری و 40 آنتی بیوتیک
ابزار طیف سنجی جرمی که داده هایی را برای روش جدید فراهم می کند، در حال حاضر در بسیاری از آزمایشگاه های میکروبیولوژیکی در سراسر جهان برای شناسایی گونه های باکتریایی استفاده می شود. این دستگاه هزاران قطعه پروتئین را در هر نمونه تجزیه و تحلیل می کند و سپس یک اثر انگشت فردی از پروتئین های باکتری ایجاد می کند. این فرآیند همچنین مستلزم کشت باکتری از قبل است، اما فقط برای چند ساعت، نه چند روز.
محققان در بازل روش جدیدی را توسعه داده اند که استفاده از طیف سنجی جرمی را برای شناسایی مقاومت آنتی بیوتیکی گسترش می دهد. برای این مجموعه داده، تیم ها بیش از 300000 طیف جرمی از باکتری های منفرد را از چهار آزمایشگاه در شمال غربی سوئیس استخراج کردند و آنها را با نتایج آزمایش های مقاومت بالینی مرتبط مرتبط کردند. نتیجه یک مجموعه داده جدید و در دسترس عموم است که حدود 800 باکتری مختلف و بیش از 40 آنتی بیوتیک مختلف را پوشش می دهد.
کارستن بورگوارت، پروفسور بیوسیستم و مهندسی در ETH زوریخ در بازل، که این مطالعه را با Egli رهبری کرد، می‌گوید: «گام بعدی ما آموزش الگوریتم‌های هوش مصنوعی با این داده‌ها بود تا بتوانند تشخیص مقاومت آنتی‌بیوتیکی را به تنهایی بیاموزند.
محققان برای اینکه مدل پیش‌بینی خود را تا حد ممکن قابل اجرا کنند، چگونگی تأثیر داده‌های آموزشی بر عملکرد الگوریتم را تجزیه و تحلیل کردند. رویکردهای مختلف مقایسه شده در این مطالعه شامل آموزش در مدل پیش‌بینی با داده‌های یک بیمارستان واحد و آموزش با داده‌های ترکیبی از چندین بیمارستان است.
در حالی که مطالعات قبلی در این زمینه تحقیقاتی بر روی گونه‌های باکتریایی یا آنتی‌بیوتیک‌ها متمرکز بوده است، مطالعه جدید بر اساس چندین نوع باکتری جدا شده در بیمارستان‌ها و همچنین تعدادی از ویژگی‌های مقاومت مرتبط است.
بورگوارت می‌گوید: «مجموعه داده‌های ما بزرگترین مجموعه‌ای است که تاکنون داده‌های طیف‌سنجی جرمی را با اطلاعات مقاومت آنتی‌بیوتیکی ترکیب می‌کند. "این یک مثال عالی از نحوه استفاده از داده های بالینی موجود برای تولید دانش جدید است."
مقاومت آنتی بیوتیکی در بیمارستان ها
برای ارزیابی سودمندی پیش بینی های رایانه ای، محققان با یک متخصص بیماری های عفونی همکاری کردند تا حدود 60 مورد را تجزیه و تحلیل کنند. هدف آنها تعیین میزان تأثیر پیش آگهی ها بر انتخاب درمان آنتی بیوتیکی در صورتی که در مراحل اولیه فرآیند تصمیم گیری در دسترس پزشک باشد، بود.
تیم تحقیقاتی به طور عمدی مواردی را انتخاب کردند که شامل مهمترین باکتری های مقاوم به آنتی بیوتیک، از جمله مقاوم به متی سیلین بود. استافیلوکوکوس اورئوس (MRSA) و باکتری های روده ای مقاوم به آنتی بیوتیک های بتالاکتام با طیف وسیع (E. coli).
یکی از دلایل اهمیت این مورد این است که پزشکان نیز تمایل دارند که انتخاب آنتی بیوتیک خود را بر اساس عواملی مانند سن بیمار و سابقه پزشکی قرار دهند. نتایج نشان داد که روش جدید واقعاً پزشک را تشویق می‌کند تا در برخی موارد آنتی‌بیوتیک درمانی بهتری را انتخاب کند.
قبل از اینکه روش تشخیصی جدید برای مراقبت از بیمار اعمال شود، تیم باید بر چالش‌های اضافی، از جمله استفاده از یک کارآزمایی بالینی در مقیاس بزرگ، غلبه کند تا مزایای روش جدید را در یک محیط معمول بیمارستان تایید کند.
اگلی می گوید: «برنامه ریزی برای چنین مطالعه ای در حال انجام است. به عنوان یک متخصص در میکروبیولوژی بالینی، او مطمئن است که این پروژه درمان عفونت ها را در چند سال آینده بهبود می بخشد.
بورگوارد گفت که این پروژه همچنین سوالات تحقیقاتی بسیار مهمی را در مورد استفاده از هوش مصنوعی در پزشکی مطرح می کند.
این مجموعه داده به ما این امکان را می‌دهد که نگاه دقیق‌تری به تغییراتی که باید در سطح الگوریتمی ایجاد کنیم تا کیفیت پیش‌بینی‌های جمع‌آوری‌شده در زمان‌ها و مکان‌های مختلف را بیشتر کنیم.»
حمایت از این کار توسط دو کانتون بازل از طریق کمک هزینه پزشکی شخصی D-BSSE-Uni-Basel از ETH زوریخ انجام شد.
منبع: Rachel Kunzler برای ETH Zurich
[ad_2]
مقالات مشابه
- Donald Trump wades into racial tensions with visit to Kenosha
- خطر ابتلا به کروناویروس را آغاز کرده است به فرسودگی برخی از عوامل سرویس مخفی
- بوفالو n. y. جایگزین تیم پلیس پس از 75 سال از معترضان صدمه دیده
- سنا می رود برای رای دادن مقالات از استیضاح بعد از ظهر چهارشنبه
- کربن های فعال شده
- شرکت صادرات و واردات کالاهای مختلف از جمله کاشی و سرامیک و ارائه دهنده خدمات ترانزیت و بارگیری دریایی و ریلی و ترخیص کالا برای کشورهای مختلف از جمله روسیه و کشورهای حوزه cis و سایر نقاط جهان - بازرگانی علی قانعی
- ICU مرگ و میر در COVID-19 به طور چشمگیری کاهش یافته پس مارس, مطالعه می یابد
- پنتاگون $10B ما ابر قرارداد که توبیخ آمازون قانونی بود: watchdog
- Malawians رها دادگاه حفره انتخابات ریاست جمهوری
- هر تبعید پرواز های از ایالات متحده آمریکا است 'زنگ' به عنوان کشورهای آمریکای مرکزی بریس برای coronavirus