新的机器学习方法可预测治疗诱导的抗生素耐药性风险并将该风险降至最低

一个基于数千名伤口感染和尿路感染患者数据所构建的机器学习模型发现了感染复发时促成抗生素耐药的因素。这项研究的作者说，患者的感染和抗生素治疗史可以与患者的群体数据结合使用，旨在预测哪些候选抗生素或能预防感染复发。Jean-Baptiste Lagagne和Mary Dunlop在一篇相关《视角》中写道：“机器学习推荐系统（如本文在此介绍的系统）有可能大幅改善患者的转归，并可能在减轻抗生素耐药性方面扮演重要角色。”在许多情况下，细菌感染——包括常见的尿路感染（UTIs）和伤口感染——传播自患者的微生物群。这些感染的治疗通常涉及多种抗生素的使用。在严重感染时，通常会对抗生素敏感性进行评估，后者可指导特定药物的使用。然而，虽然最初的治疗可能会清除感染，但人们认为，抗生素的使用可能会为耐药菌株的出现做好铺垫并会取代先前敏感的菌株。因此，最初被诊断为对抗生素敏感并得到治疗的感染可能会再次发生，它们可能会有威胁生命的耐药性。Mathew Stracy和同事用一个超过20万例UTIs和伤口感染以及相关患者微生物群概况的大型纵向数据集来寻找初始抗生素治疗无效的发病案例。为了更好地理解为什么某些感染随后会在该群体中获得耐药性，他们对经历早期UTI复发个体的细菌基因组进行了测序，从而为原发感染菌株和菌种与导致感染复发的菌株与菌种提供了详细的比较图。他们发现，获得耐药性的感染复发是由菌株替换引起的，而非由最初感染菌株的点突变所致。Lagagne和Dunlop在他们的《视角》中写道：“这项分析揭示了一个未被充分认识的再感染途径：原发感染菌被治疗和消灭，但该治疗最终却为其它耐药菌株的出现做好了准备。”Stracy和其团队接着用所得到的数据开发了一个机器学习模型，它可在具体患者层面预测病原体获得对特定抗生素耐药性的风险。