PANDUAN Industri

AI dalam Pengawasan Antibiotik

AI dalam pengawasan antibiotik menggunakan model yang dilatih mengenai rekod pesakit, data rintangan tempatan dan keputusan mikrobiologi untuk meramalkan bakteria dan corak rintangan yang mungkin melibatkan jangkitan.

  • 4 minit membaca
  • Kemas kini terakhir
Pada halaman ini4 minit membaca
  1. Gambaran keseluruhan
  2. Menyelam dalam
  3. Kesan Strategik
  4. Masa Depan AI dalam Pengawasan Antibiotik
  5. Pelaksanaan Dunia Sebenar
  6. Risiko & Pengawal
  7. Hala Tuju Pelaksanaan
  8. Teruskan Meneroka
  9. Soalan lazim

Gambaran keseluruhan

Itu membantu doktor memilih antibiotik yang mungkin berkesan tetapi tidak lebih luas daripada yang diperlukan. Ia penting kerana kesilapan memerlukan sesuatu dalam kedua-dua arah. Dadah yang terlalu sempit berisiko kegagalan rawatan, manakala ubat-ubatan yang tidak perlu meluas mendorong rintangan, jangkitan C. difficile dan kesan sampingan.

Menyelam dalam

Program pengawasan antibiotik ialah usaha yang diselaraskan untuk memastikan pesakit mendapat antibiotik, dos dan tempoh yang betul, dan tiada antibiotik apabila tiada antibiotik yang diperlukan. Di Amerika Syarikat, piawaian Suruhanjaya Bersama dan syarat penyertaan Medicare persekutuan memerlukan hospital untuk menjalankannya. Strategi biasa termasuk audit prospektif dan maklum balas, di mana ahli farmasi dan doktor penyakit berjangkit menyemak preskripsi aktif dan mencadangkan perubahan. Satu lagi ialah pra-kebenaran, di mana ubat tertentu memerlukan kelulusan sebelum digunakan. Saat yang paling sukar ialah terapi empirik: memilih ubat sebelum keputusan kultur tiba. Bantuan tradisional ialah antibiogram, jadual seluruh hospital yang menunjukkan bahagian setiap organisma yang terdedah kepada setiap ubat. Tetapi antibiogram adalah purata dan tidak mengatakan apa-apa tentang orang di hadapan anda. Pesakit yang mempunyai dua kultur air kencing tahan terdahulu dan pendedahan ciprofloxacin baru-baru ini sangat berbeza daripada pesakit yang tidak mempunyai sejarah. Model pembelajaran mesin memperibadikan anggaran itu. Mereka menggunakan budaya terdahulu, antibiotik baru-baru ini, kemasukan ke hospital, kediaman rumah jagaan, prosedur dan keadaan lain. Dalam kajian 2020 dalam Perubatan Terjemahan Sains, Sanjat Kanjilal dan rakan sekerja di Boston melatih model mengenai jangkitan saluran kencing pesakit luar. Diuji secara retrospektif, algoritma mereka boleh mengurangkan penggunaan antibiotik barisan kedua sambil mengekalkan kadar terapi yang tidak berkesan sama atau lebih rendah daripada pilihan doktor. Barisan kerja kedua mempercepatkan makmal itu sendiri. Spektrometri jisim MALDI-TOF sudah mengenal pasti spesies bakteria dengan cepat. Penyelidik, termasuk pasukan Switzerland yang membina set data DRIAMS, telah melatih model untuk meramalkan rintangan daripada spektrum yang sama, yang boleh menyempitkan terapi lebih awal. Kesalahpahaman biasa ialah alat ini mengurangkan penggunaan antibiotik dengan sendirinya. Model rintangan tidak dapat memberitahu sama ada pesakit memerlukan antibiotik sama sekali. Ia tidak dapat memberitahu jangkitan sebenar daripada bakteria asimptomatik, sebagai contoh. Dan di bawah tekanan untuk merawat kemungkinan sepsis, doktor boleh menambah liputan yang luas. Alatan berfungsi paling baik sebagai input kepada pertimbangan pasukan pengawasan, bukan sebagai penggantinya.

Kesan Strategik

Konteks dan peraturan

Konteks industri menentukan sama ada idea AI bertahan dalam hubungan dengan realiti.

Kawalan kualiti

Kekangan domain mempengaruhi kadar ralat dan model pengawasan yang boleh diterima.

Pilihan binaan

Penerapan yang berjaya menyelaraskan keupayaan teknikal dengan aliran kerja barisan hadapan.

Masa Depan AI dalam Pengawasan Antibiotik

Percubaan prospektif dalam aliran kerja preskripsi sebenar adalah langkah utama yang hilang, kerana kebanyakan hasil yang diterbitkan adalah simulasi retrospektif. Penjujukan genomik patogen boleh menambah isyarat rintangan yang lebih kaya, dan model bahasa yang besar sedang diterokai untuk menjawab soalan garis panduan, walaupun mereka memerlukan pemeriksaan rapi untuk ketepatan. Banyak tetapan dengan beban rintangan paling berat juga kekurangan data mikrobiologi rutin, yang mengehadkan pembangunan model di tempat yang paling diperlukan. Pasukan pengawasan berkemungkinan akan mengekalkan pemilikan alat ini dan menilai mereka berdasarkan hasil seperti kadar terapi yang tidak berkesan, kadar C. difficile dan hari penggunaan spektrum luas.

Pelaksanaan Dunia Sebenar

Bagi wanita pesakit luar dengan jangkitan saluran kencing yang tidak rumit, model menggunakan kultur air kencingnya yang terdahulu dan antibiotik yang lalu untuk menganggarkan peluangnya untuk menentang setiap ubat calon. Ia kemudian mengesyorkan pilihan paling sempit yang mungkin berfungsi.

Seorang ahli farmasi stewardship mendapat senarai kedudukan harian pesakit dalam yang telah menggunakan meropenem atau ubat spektrum luas lain selama lebih daripada 72 jam dengan budaya negatif. Senarai ini disusun mengikut kemungkinan bahawa menukar kepada ubat yang lebih sempit adalah selamat.

Makmal mikrobiologi menggunakan pembelajaran mesin pada spektrum jisim MALDI-TOF untuk memberikan anggaran awal rintangan methicillin dalam Staphylococcus aureus, beberapa jam sebelum ujian kerentanan standard selesai.

Set pesanan sepsis jabatan kecemasan menunjukkan kebarangkalian MRSA atau Pseudomonas khusus pesakit. Ini membantu doktor memutuskan sama ada menambah vankomisin atau ubat anti-pseudomonal adalah wajar.

Risiko & Pengawal

  • Keperluan kawal selia boleh membatalkan prototaip yang kukuh.

  • Data sejarah mungkin mengekod berat sebelah yang membahayakan komuniti tertentu.

  • Sistem warisan boleh mewujudkan kesesakan penyepaduan dan kos tersembunyi.

Hala Tuju Pelaksanaan

  1. Libatkan pakar domain daripada pembingkaian masalah hingga penilaian.

  2. Reka bentuk jejak audit dan dokumentasi sebelum pelancaran.

  3. Sahkan pematuhan dan kewajipan keselamatan lebih awal.

  4. Melancarkan secara berfasa dengan kriteria hentian dan undur yang jelas.

Teruskan Meneroka

Free newsletter

Get the daily AI briefing

Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.

One email each weekday. Unsubscribe in one click. We never sell or share your address.

Test yourself

Take the AI in Antibiotic Stewardship quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

Mulakan kuiz

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

Soalan lazim

Apakah AI dalam Pengawasan Antibiotik?

AI dalam pengawasan antibiotik menggunakan model yang dilatih mengenai rekod pesakit, data rintangan tempatan dan keputusan mikrobiologi untuk meramalkan bakteria dan corak rintangan yang mungkin melibatkan jangkitan. Itu membantu doktor memilih antibiotik yang mungkin berkesan tetapi tidak lebih luas daripada yang diperlukan. Ia penting kerana kesilapan memerlukan sesuatu dalam kedua-dua arah. Dadah yang terlalu sempit berisiko kegagalan rawatan, manakala ubat-ubatan yang tidak perlu meluas mendorong rintangan, jangkitan C. difficile dan kesan sampingan.

Mengapakah antibiogram hospital dihadkan sebagai panduan untuk terapi empirik pesakit tertentu?

Antibiogram menunjukkan purata kerentanan merentas semua pencilan, jadi ia tidak boleh mengambil kira kultur tahan terdahulu pesakit atau pendedahan antibiotik baru-baru ini.

Pasangan yang manakah memadankan dengan betul setiap ralat preskripsi dengan kosnya, seperti yang diterangkan oleh panduan?

Ubat yang terlalu sempit mungkin tidak meliputi patogen. Ubat yang terlalu luas menambah daya tahan, jangkitan C. difficile dan kesan sampingan.

Apakah matlamat untuk menggunakan pembelajaran mesin kepada spektrum jisim MALDI-TOF dalam makmal mikrobiologi?

MALDI-TOF sudah mengenal pasti spesies dengan cepat. Model yang dilatih pada spektrum yang sama bertujuan untuk meramalkan rintangan lebih awal supaya terapi boleh diselaraskan lebih awal.

Mengapakah model rintangan yang dilatih mengenai hasil budaya mengalami kecenderungan pemilihan?

Pesakit yang menerima budaya bukan sampel rawak, jadi data latihan mungkin tidak mewakili semua orang yang model akan skor.

Mengapakah panduan mengesyorkan pengesahan temporal untuk model rintangan?

Latihan pada tahun awal dan ujian pada tahun kemudian menunjukkan sama ada model itu bertahan apabila rintangan dan titik putus berubah.