РУКОВОДСТВО ПО Отраслям

ИИ в управлении антибиотиками

ИИ в управлении антибиотиками использует модели, обученные на основе историй болезни пациентов, данных местной резистентности и результатов микробиологии, чтобы предсказать, какие бактерии и модели резистентности могут быть связаны с инфекцией.

Прослушайте это руководствоОзвучено ИИ · ~3 min

На этой странице4 минуты чтения
  1. Обзор
  2. Глубокое погружение
  3. Реальная реализация
  4. Будущее искусственного интеллекта в управлении антибиотиками
  5. Применение на практике
  6. Продолжайте исследовать
  7. Часто задаваемые вопросы

Обзор

Это помогает врачам выбрать антибиотик, который, вероятно, будет работать, но не более широкого спектра действия, чем необходимо. Это важно, потому что ошибки чего-то стоят в обоих направлениях. Слишком узкий подход к лекарству может привести к неудаче лечения, в то время как ненужно широкий спектр лекарств приводит к резистентности, инфекции C. difficile и побочным эффектам.

Глубокое погружение

Программы рационального использования антибиотиков — это скоординированные усилия, направленные на то, чтобы пациенты получали правильный антибиотик в нужной дозе и продолжительности, а также не получали антибиотики, когда они не нужны. В Соединенных Штатах стандарты Объединенной комиссии и федеральные условия участия в программе Medicare требуют, чтобы больницы управляли ими. Общие стратегии включают проспективный аудит и обратную связь, когда фармацевты и врачи-инфекционисты проверяют действующие рецепты и предлагают изменения. Другой вариант — предварительное разрешение, когда определенные лекарства требуют одобрения перед использованием. Самый сложный момент — эмпирическая терапия: выбор препарата до получения результатов посева. Традиционной помощью является антибиотикограмма — общебольничная таблица, показывающая, какая доля каждого организма восприимчива к тому или иному препарату. Но антибиотикограмма — это средний показатель и ничего не говорит о человеке перед вами. Пациент с двумя предшествующими резистентными посевами мочи и недавним воздействием ципрофлоксацина сильно отличается от пациента, у которого нет анамнеза. Модели машинного обучения персонализируют эту оценку. Они используют предыдущие культуры, недавние антибиотики, госпитализацию, проживание в доме престарелых, процедуры и другие условия. В исследовании 2020 года, опубликованном в журнале Science Translational Medicine, Санжат Канджилал и его коллеги из Бостона обучали модели амбулаторным инфекциям мочевыводящих путей. Проведенные ретроспективные испытания показали, что их алгоритм мог бы сократить использование антибиотиков второго ряда, сохранив при этом уровень неэффективной терапии на уровне или ниже, чем выбор клиницистов. Второе направление работы ускоряет работу самой лаборатории. Масс-спектрометрия MALDI-TOF уже быстро идентифицирует виды бактерий. Исследователи, в том числе швейцарская команда, создавшая набор данных DRIAMS, обучили модели прогнозировать резистентность на основе тех же спектров, что могло бы быстрее сузить терапию. Распространенным заблуждением является то, что эти инструменты сами по себе сокращают использование антибиотиков. Модель резистентности не может сказать, нужны ли пациенту антибиотики вообще. Например, он не может отличить настоящую инфекцию от бессимптомной бактериурии. И под давлением необходимости лечения возможного сепсиса врачи в любом случае могут расширить охват. Эти инструменты лучше всего работают в качестве вклада в суждение команды управления, а не в качестве его замены.

Реальная реализация

Для амбулаторной женщины с неосложненной инфекцией мочевыводящих путей модель использует предыдущие посевы мочи и прием антибиотиков в прошлом, чтобы оценить ее вероятность устойчивости к каждому лекарственному препарату. Затем он рекомендует самый узкий вариант, который может сработать.

Управляющий фармацевт ежедневно получает ранжированный список стационарных пациентов, принимавших меропенем или другие препараты широкого спектра действия в течение более 72 часов, с отрицательными культурами. Список упорядочен по тому, насколько вероятно, что переход на более узкий препарат будет безопасным.

Микробиологическая лаборатория применяет машинное обучение к масс-спектрам MALDI-TOF, чтобы дать раннюю оценку устойчивости Staphylococcus aureus к метициллину, за несколько часов до завершения стандартного тестирования чувствительности.

Набор заказов на сепсис в отделении неотложной помощи показывает специфичную для пациента вероятность наличия MRSA или Pseudomonas. Это помогает врачу решить, оправдано ли добавление ванкомицина или противосинегнойного препарата.

Будущее искусственного интеллекта в управлении антибиотиками

Проспективные исследования в реальных рабочих процессах назначения лекарств являются ключевым недостающим шагом, поскольку большинство опубликованных результатов представляют собой ретроспективное моделирование. Секвенирование генома патогена может добавить более богатые сигналы устойчивости, а большие языковые модели изучаются для ответа на руководящие вопросы, хотя их точность требует тщательной проверки. Во многих странах с наибольшим бременем резистентности также отсутствуют рутинные микробиологические данные, что ограничивает разработку моделей там, где это больше всего необходимо. Координационные группы, вероятно, сохранят право собственности на эти инструменты и будут оценивать их по таким результатам, как уровень неэффективности терапии, уровень C. difficile и количество дней использования широкого спектра действия.

Применение на практике

Почему это важно

  • Контекст и правила. Отраслевой контекст определяет, выживут ли идеи ИИ при контакте с реальностью.
  • Контроль качества. Ограничения предметной области влияют на приемлемый уровень ошибок и модели надзора.
  • Выбор сборки. Успешные развертывания позволяют согласовать технические возможности с рабочими процессами на переднем крае.

Следите за

  • Нормативные требования могут сделать недействительными сильные прототипы.
  • Исторические данные могут отражать предвзятость, которая наносит вред конкретным сообществам.
  • Устаревшие системы могут создавать узкие места в интеграции и скрытые затраты.

Следующие шаги

  1. Привлекайте экспертов в предметной области от постановки проблемы до оценки.
  2. Разработайте журналы аудита и документацию перед запуском.
  3. Заблаговременно проверяйте соответствие требованиям и обязательства по безопасности.
  4. Развертывание поэтапно с четкими критериями остановки и отката.

Продолжайте исследовать

Бесплатная рассылка

Получайте ежедневный AI-обзор

Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.

Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.

Проверьте себя

Take the AI in Antibiotic Stewardship quiz

Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.

Начать тест

Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование

Часто задаваемые вопросы

Что такое ИИ в управлении антибиотиками?

ИИ в управлении антибиотиками использует модели, обученные на основе историй болезни пациентов, данных местной резистентности и результатов микробиологии, чтобы предсказать, какие бактерии и модели резистентности могут быть связаны с инфекцией. Это помогает врачам выбрать антибиотик, который, вероятно, будет работать, но не более широкого спектра действия, чем необходимо. Это важно, потому что ошибки чего-то стоят в обоих направлениях. Слишком узкий подход к лекарству может привести к неудаче лечения, в то время как ненужно широкий спектр лекарств приводит к резистентности, инфекции C. difficile и побочным эффектам.

Почему больничная антибиотикограмма может использоваться только в качестве руководства для эмпирической терапии одного конкретного пациента?

Антибиограмма показывает среднюю чувствительность для всех изолятов, поэтому она не может учитывать предыдущие устойчивые культуры пациента или недавнее воздействие антибиотиков.

Какая пара правильно сопоставляет каждую ошибку назначения с ее стоимостью, как описано в руководстве?

Слишком узкий препарат может не покрыть возбудителя. Лекарство слишком широкого назначения увеличивает резистентность, инфекцию C. difficile и побочные эффекты.

Какова цель применения машинного обучения к масс-спектрам MALDI-TOF в микробиологической лаборатории?

MALDI-TOF уже быстро идентифицирует виды. Модели, обученные на одних и тех же спектрах, нацелены на более раннее прогнозирование резистентности, чтобы можно было раньше скорректировать терапию.

Почему модели устойчивости, обученные на результатах культивирования, страдают от предвзятости отбора?

Пациенты, получившие посевы, не являются случайной выборкой, поэтому данные обучения могут не отражать всех, кого оценит модель.

Почему в руководстве рекомендуется временная проверка моделей сопротивления?

Обучение в предыдущие годы и тестирование в более поздние годы показывают, сохраняется ли модель при изменении сопротивления и точек останова.

Продолжайте учиться

Связанные руководства

Другие руководства, выбранные по этой теме

Получите бесплатный AI-сертификатКороткий бесплатный курс и экзамен. Без стоимости, без карты. Около 2,5 часов.Начать бесплатно →