AI in antibioticabeheer

Antibioticabeheerprogramma's zijn gecoördineerde inspanningen om ervoor te zorgen dat patiënten het juiste antibioticum, de juiste dosis en de juiste duur krijgen, en geen antibiotica wanneer dat niet nodig is. In de Verenigde Staten vereisen de normen van de Joint Commission en de federale Medicare-voorwaarden voor deelname dat ziekenhuizen deze beheren. Gemeenschappelijke strategieën zijn onder meer prospectieve audits en feedback, waarbij apothekers en artsen op het gebied van infectieziekten actieve voorschriften beoordelen en wijzigingen voorstellen. Een andere is pre-autorisatie, waarbij bepaalde medicijnen vóór gebruik moeten worden goedgekeurd. Het moeilijkste moment is empirische therapie: een medicijn kiezen voordat de kweekresultaten arriveren. Het traditionele hulpmiddel is het antibiogram, een ziekenhuisbrede tabel die laat zien welk deel van elk organisme vatbaar is voor elk medicijn. Maar een antibiogram is een gemiddelde en zegt niets over de persoon voor je. Een patiënt met twee eerdere resistente urinekweken en recente blootstelling aan ciprofloxacine verschilt sterk van een patiënt zonder voorgeschiedenis. Machine learning-modellen personaliseren die schatting. Ze maken gebruik van eerdere culturen, recente antibiotica, ziekenhuisopnames, verblijf in een verpleeghuis, procedures en andere aandoeningen. In een onderzoek uit 2020 in Science Translational Medicine trainden Sanjat Kanjilal en collega's in Boston modellen over poliklinische urineweginfecties. Achteraf getest had hun algoritme het gebruik van tweedelijnsantibiotica kunnen verminderen, terwijl het percentage ineffectieve therapieën vergelijkbaar of lager kon blijven dan de keuzes van artsen. Een tweede werklijn versnelt het laboratorium zelf. MALDI-TOF-massaspectrometrie identificeert bacteriesoorten al snel. Onderzoekers, waaronder een Zwitsers team dat de DRIAMS-dataset heeft gebouwd, hebben modellen getraind om resistentie op basis van dezelfde spectra te voorspellen, wat de therapie eerder zou kunnen beperken. Een veel voorkomende misvatting is dat deze hulpmiddelen het antibioticagebruik op zichzelf terugdringen. Een resistentiemodel kan niet zeggen of een patiënt überhaupt antibiotica nodig heeft. Het kan bijvoorbeeld geen echte infectie onderscheiden van asymptomatische bacteriurie. En onder druk om mogelijke sepsis te behandelen, kunnen artsen toch een brede dekking toevoegen. De tools werken het beste als input voor het oordeel van een stewardshipteam, en niet als vervanging ervan.