Iparági ÚTMUTATÓ

AI az antibiotikum-felügyeletben

A mesterséges intelligencia az antibiotikumok kezelésében a betegek nyilvántartására, a helyi rezisztenciaadatokra és a mikrobiológiai eredményekre kiképzett modelleket használ annak előrejelzésére, hogy a fertőzés valószínűleg mely baktériumokat és rezisztenciamintákat érinti.

Hallgassa meg ezt az útmutatótAI-narrált · ~3 min

Ezen az oldalon4 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A mesterséges intelligencia jövője az antibiotikumok kezelésében
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Ez segít a klinikusoknak olyan antibiotikumot választani, amely valószínűleg hatásos, de nem szélesebb a szükségesnél. Ez azért számít, mert a hibák mindkét irányban kerülnek valamibe. A túl szűk gyógyszer a kezelés sikertelenségét kockáztatja, míg a szükségtelenül széles gyógyszerek rezisztenciát, C. difficile fertőzést és mellékhatásokat okoznak.

Mély merülés

Az antibiotikum-gazdálkodási programok összehangolt erőfeszítések annak biztosítására, hogy a betegek a megfelelő antibiotikumot, dózist és időtartamot kapják, és ne kapjanak antibiotikumot, ha nincs rá szükség. Az Egyesült Államokban a Joint Commission szabványai és a szövetségi Medicare részvételi feltételei előírják, hogy a kórházak működtetjék ezeket. A közös stratégiák közé tartozik a jövőbeli audit és visszacsatolás, ahol a gyógyszerészek és a fertőző betegségekkel foglalkozó orvosok áttekintik az aktív recepteket, és változtatásokat javasolnak. Egy másik az előzetes engedélyezés, amikor bizonyos gyógyszereket használat előtt jóváhagyni kell. A legnehezebb pillanat az empirikus terápia: a gyógyszer kiválasztása a tenyésztési eredmények megérkezése előtt. A hagyományos segédeszköz az antibiogram, egy kórházi táblázat, amely megmutatja, hogy az egyes szervezetek mekkora hányada volt fogékony az egyes gyógyszerekre. De az antibiogram egy átlag, és nem mond semmit az előtted álló személyről. Az a beteg, akinek korábban két rezisztens vizelettenyészete van, és a közelmúltban ciprofloxacin-expozíciót kapott, nagyon különbözik attól, akinek nincs kórtörténete. A gépi tanulási modellek személyre szabják ezt a becslést. Korábbi tenyészeteket, közelmúltbeli antibiotikumokat, kórházi kezeléseket, idősek otthonában való tartózkodást, eljárásokat és egyéb körülményeket használnak. A Science Translational Medicine 2020-as tanulmányában Sanjat Kanjilal és munkatársai Bostonban modelleket képeztek ki a járóbeteg-húgyúti fertőzésekre. Utólag tesztelve algoritmusuk csökkenthette volna a másodvonalbeli antibiotikumok használatát, miközben a hatástalan terápia arányát a klinikusok döntéseihez hasonló vagy alacsonyabb szinten tartotta. A második munkasor magát a labort is felgyorsítja. A MALDI-TOF tömegspektrometria már gyorsan azonosítja a baktériumfajokat. A kutatók, köztük egy svájci csapat, amely a DRIAMS adatkészletet építette, modelleket képeztek ki, hogy megjósolják az azonos spektrumokból származó ellenállást, ami hamarabb szűkítheti a terápiát. Általános tévhit az, hogy ezek az eszközök önmagukban csökkentik az antibiotikumok használatát. A rezisztencia modell nem tudja megmondani, hogy a betegnek egyáltalán szüksége van-e antibiotikumra. Nem tudja megkülönböztetni a valódi fertőzést például a tünetmentes bakteriuriától. Az esetleges szepszis kezelésére irányuló nyomás alatt a klinikusok egyébként is széles körű lefedettséget adhatnak. Az eszközök a legjobban a sáfári csapat döntésének bemenetére szolgálnak, nem pedig helyettesítőként.

Valós megvalósítás

Egy szövődménymentes húgyúti fertőzésben szenvedő ambuláns nő esetében a modell korábbi vizeletkultúrái és korábbi antibiotikumai alapján becsüli meg az egyes jelölt gyógyszerekkel szembeni rezisztencia esélyét. Ezután a legszűkebb lehetőséget ajánlja, amely valószínűleg működik.

A gondozó gyógyszerész napi rangsorolt ​​listát kap azokról a fekvőbetegekről, akik több mint 72 órán keresztül meropenemmel vagy más széles spektrumú gyógyszerrel kezeltek negatív tenyészetet. A lista aszerint van rendezve, hogy mekkora valószínűséggel lenne biztonságos a szűkebb gyógyszerre való átállás.

Egy mikrobiológiai laboratórium gépi tanulást alkalmaz a MALDI-TOF tömegspektrumokra, hogy korai becslést adjon a Staphylococcus aureus meticillinrezisztenciájáról, órákkal a standard érzékenységi vizsgálat befejezése előtt.

A sürgősségi osztály szepszis rendeléskészlete az MRSA vagy a Pseudomonas beteg-specifikus valószínűségét mutatja. Ez segít az orvosnak eldönteni, hogy vankomicin vagy pszeudomonellenes gyógyszer hozzáadása indokolt-e.

A mesterséges intelligencia jövője az antibiotikumok kezelésében

A valódi felírási munkafolyamatokon belüli prospektív kísérletek a legfontosabb hiányzó lépések, mivel a legtöbb publikált eredmény retrospektív szimuláció. A kórokozó genomi szekvenálása gazdagabb rezisztencia jeleket adhat hozzá, és nagy nyelvi modelleket kutatnak az irányadó kérdések megválaszolásához, bár ezek pontosságát alaposan ellenőrizni kell. A legnehezebb rezisztenciaterhelést jelentő beállítások közül is hiányoznak a rutin mikrobiológiai adatok, ami korlátozza a modellfejlesztést ott, ahol a legnagyobb szükség van rá. A felügyeleti csapatok valószínűleg továbbra is birtokolják ezeket az eszközöket, és olyan eredmények alapján ítélik meg őket, mint például a hatástalan terápia aránya, a C. difficile aránya és a széles spektrumú használat napjai.

A gyakorlatba ültetés

Miért számít

  • Kontextus és szabályok. Az iparági kontextus határozza meg, hogy az AI ötletek túlélik-e a valósággal való érintkezést.
  • Minőségellenőrzés. A tartományi korlátok befolyásolják az elfogadható hibaarányt és a felügyeleti modelleket.
  • Építési lehetőségek. A sikeres telepítések összehangolják a műszaki képességeket a frontvonalbeli munkafolyamatokkal.

Vigyázz

  • A szabályozási követelmények érvényteleníthetik az egyébként erős prototípusokat.
  • A korábbi adatok olyan elfogultságot kódolhatnak, amely bizonyos közösségeket károsít.
  • Az örökölt rendszerek szűk keresztmetszeteket és rejtett költségeket okozhatnak az integrációban.

Következő lépések

  1. Vonjon be területi szakértőket a probléma megfogalmazásától az értékelésig.
  2. Tervezze meg az ellenőrzési nyomvonalakat és a dokumentációt az indítás előtt.
  3. Korán érvényesítse a megfelelési és biztonsági kötelezettségeket.
  4. Fázisokban történő bevezetés egyértelmű leállítási és visszaállítási kritériumokkal.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the AI in Antibiotic Stewardship quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az AI az antibiotikum-felügyeletben?

A mesterséges intelligencia az antibiotikumok kezelésében a betegek nyilvántartására, a helyi rezisztenciaadatokra és a mikrobiológiai eredményekre kiképzett modelleket használ annak előrejelzésére, hogy a fertőzés valószínűleg mely baktériumokat és rezisztenciamintákat érinti. Ez segít a klinikusoknak olyan antibiotikumot választani, amely valószínűleg hatásos, de nem szélesebb a szükségesnél. Ez azért számít, mert a hibák mindkét irányban kerülnek valamibe. A túl szűk gyógyszer a kezelés sikertelenségét kockáztatja, míg a szükségtelenül széles gyógyszerek rezisztenciát, C. difficile fertőzést és mellékhatásokat okoznak.

Miért korlátozzák a kórházi antibiogram egy adott beteg empirikus terápiájának útmutatóját?

Az antibiogram az összes izolátum esetében átlagos érzékenységet mutat, így nem tudja figyelembe venni a páciens korábbi rezisztens tenyészeteit vagy a közelmúltban az antibiotikum-expozíciót.

Melyik pár illeszti helyesen az egyes felírási hibákat a költségekhez, ahogy az útmutató leírja?

A túl keskeny gyógyszer nem feltétlenül fedi le a kórokozót. A túl széles gyógyszer növeli a rezisztenciát, a C. difficile fertőzést és a mellékhatásokat.

Mi a célja a gépi tanulás alkalmazásának a MALDI-TOF tömegspektrumokra a mikrobiológiai laborban?

A MALDI-TOF már gyorsan azonosítja a fajokat. Az azonos spektrumokra kiképzett modellek célja az ellenállás hamarabbi előrejelzése, így a terápia korábban módosítható.

Miért szenvednek a tenyésztési eredményekre kiképzett rezisztenciamodellek a szelekciós torzítástól?

A tenyészetet kapó betegek nem véletlenszerű minták, így előfordulhat, hogy a képzési adatok nem képviselnek mindenkit, akit a modell pontoz.

Miért javasolja az útmutató az ellenállási modellek időbeli érvényesítését?

A korábbi évekre vonatkozó képzés és a későbbiek tesztelése megmutatja, hogy a modell megállja-e a helyét az ellenállás és a töréspontok változásával.