Tiếp theoHướng dẫn tiếp theo
Khám phá kháng sinh AI
ngành công nghiệp
HƯỚNG DẪN ngành
AI trong quản lý kháng sinh sử dụng các mô hình được đào tạo về hồ sơ bệnh nhân, dữ liệu kháng thuốc tại địa phương và kết quả vi sinh để dự đoán loại vi khuẩn và mô hình kháng thuốc nào có khả năng liên quan đến nhiễm trùng.
Nghe hướng dẫn nàyAI thuật lại · ~3 min
Điều đó giúp các bác sĩ lâm sàng chọn một loại kháng sinh có khả năng có tác dụng nhưng không rộng hơn mức cần thiết. Nó quan trọng vì những sai lầm phải trả giá theo cả hai hướng. Một loại thuốc quá hẹp có nguy cơ thất bại trong điều trị, trong khi các loại thuốc không cần thiết sẽ gây ra tình trạng kháng thuốc, nhiễm C. difficile và các tác dụng phụ.
Các chương trình quản lý kháng sinh là những nỗ lực phối hợp để đảm bảo bệnh nhân nhận được đúng loại kháng sinh, liều lượng và thời gian sử dụng, đồng thời không dùng kháng sinh khi không cần thiết. Tại Hoa Kỳ, các tiêu chuẩn của Ủy ban hỗn hợp và các điều kiện tham gia Medicare liên bang yêu cầu các bệnh viện phải điều hành chúng. Các chiến lược phổ biến bao gồm kiểm tra và phản hồi trong tương lai, trong đó dược sĩ và bác sĩ bệnh truyền nhiễm xem xét các đơn thuốc đang hoạt động và đề xuất thay đổi. Một cách khác là ủy quyền trước, trong đó một số loại thuốc nhất định cần được phê duyệt trước khi sử dụng. Thời điểm khó khăn nhất là liệu pháp theo kinh nghiệm: chọn thuốc trước khi có kết quả nuôi cấy. Phương pháp hỗ trợ truyền thống là kháng sinh đồ, một bảng toàn bệnh viện cho thấy tỷ lệ từng cơ thể nhạy cảm với từng loại thuốc. Nhưng kháng sinh đồ chỉ là mức trung bình và không nói lên điều gì về người trước mặt bạn. Một bệnh nhân có hai lần cấy nước tiểu kháng thuốc trước đó và tiếp xúc với ciprofloxacin gần đây rất khác với một bệnh nhân không có tiền sử. Các mô hình học máy cá nhân hóa ước tính đó. Họ sử dụng các mẫu cấy trước đó, các loại kháng sinh gần đây, các lần nhập viện, viện dưỡng lão, các thủ thuật và các tình trạng khác. Trong một nghiên cứu năm 2020 trên Science Translational Medicine, Sanjat Kanjilal và các đồng nghiệp ở Boston đã đào tạo các mô hình về nhiễm trùng đường tiết niệu ngoại trú. Được thử nghiệm hồi cứu, thuật toán của họ có thể làm giảm việc sử dụng kháng sinh bậc hai trong khi vẫn giữ tỷ lệ điều trị không hiệu quả tương tự hoặc thấp hơn so với lựa chọn của bác sĩ lâm sàng. Dòng công việc thứ hai giúp tăng tốc độ hoạt động của phòng thí nghiệm. Phương pháp khối phổ MALDI-TOF đã nhanh chóng xác định được các loài vi khuẩn. Các nhà nghiên cứu, bao gồm cả một nhóm Thụy Sĩ đã xây dựng bộ dữ liệu DRIAMS, đã đào tạo các mô hình để dự đoán khả năng kháng thuốc từ cùng một quang phổ, từ đó có thể thu hẹp liệu pháp điều trị sớm hơn. Một quan niệm sai lầm phổ biến là những công cụ này tự cắt giảm việc sử dụng kháng sinh. Một mô hình kháng thuốc không thể cho biết liệu bệnh nhân có cần dùng kháng sinh hay không. Ví dụ, nó không thể xác định nhiễm trùng thực sự từ vi khuẩn niệu không có triệu chứng. Và dưới áp lực phải điều trị bệnh nhiễm trùng huyết có thể xảy ra, các bác sĩ lâm sàng có thể bổ sung phạm vi bao phủ rộng rãi. Các công cụ này hoạt động tốt nhất khi đóng vai trò là thông tin đầu vào cho đánh giá của nhóm quản lý chứ không phải là công cụ thay thế cho đánh giá đó.
Đối với một phụ nữ ngoại trú bị nhiễm trùng đường tiết niệu không biến chứng, một mô hình sẽ sử dụng kết quả cấy nước tiểu trước đây và các loại kháng sinh trước đây của cô ấy để ước tính khả năng kháng thuốc của cô ấy với từng loại thuốc ứng cử viên. Sau đó nó đề xuất phương án hẹp nhất có khả năng hoạt động.
Dược sĩ quản lý nhận được danh sách xếp hạng hàng ngày gồm các bệnh nhân nội trú đã sử dụng meropenem hoặc các loại thuốc phổ rộng khác trong hơn 72 giờ với kết quả cấy âm tính. Danh sách này được sắp xếp theo khả năng an toàn khi chuyển sang một loại thuốc hẹp hơn.
Một phòng thí nghiệm vi sinh áp dụng công nghệ học máy cho khối phổ MALDI-TOF để đưa ra ước tính sớm về khả năng kháng methicillin ở Staphylococcus vàng, vài giờ trước khi kết thúc thử nghiệm độ nhạy cảm tiêu chuẩn.
Bộ lệnh nhiễm trùng huyết của khoa cấp cứu hiển thị xác suất cụ thể của bệnh nhân mắc MRSA hoặc Pseudomonas. Điều này giúp bác sĩ quyết định xem việc bổ sung vancomycin hay thuốc chống pseudomonal có hợp lý hay không.
Các thử nghiệm triển vọng trong quy trình kê đơn thực tế là bước còn thiếu quan trọng vì hầu hết các kết quả được công bố đều là mô phỏng hồi cứu. Trình tự bộ gen của mầm bệnh có thể bổ sung thêm các tín hiệu kháng thuốc phong phú hơn và các mô hình ngôn ngữ lớn đang được khám phá để trả lời các câu hỏi hướng dẫn, mặc dù chúng cần kiểm tra chặt chẽ để đảm bảo độ chính xác. Nhiều cơ sở có gánh nặng kháng thuốc nặng nhất cũng thiếu dữ liệu vi sinh thường quy, điều này hạn chế việc phát triển mô hình ở những nơi cần thiết nhất. Các nhóm quản lý có thể sẽ giữ quyền sở hữu các công cụ này và đánh giá chúng dựa trên các kết quả như tỷ lệ điều trị không hiệu quả, tỷ lệ C. difficile và số ngày sử dụng phổ rộng.
Bản tin miễn phí
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
AI trong quản lý kháng sinh sử dụng các mô hình được đào tạo về hồ sơ bệnh nhân, dữ liệu kháng thuốc tại địa phương và kết quả vi sinh để dự đoán loại vi khuẩn và mô hình kháng thuốc nào có khả năng liên quan đến nhiễm trùng. Điều đó giúp các bác sĩ lâm sàng chọn một loại kháng sinh có khả năng có tác dụng nhưng không rộng hơn mức cần thiết. Nó quan trọng vì sai lầm phải trả giá theo cả hai hướng. Một loại thuốc quá hẹp có nguy cơ thất bại trong điều trị, trong khi các loại thuốc không cần thiết sẽ gây ra tình trạng kháng thuốc, nhiễm trùng C. difficile và các tác dụng phụ.
Kháng sinh đồ cho thấy độ nhạy cảm trung bình đối với tất cả các chủng phân lập, vì vậy nó không thể giải thích được tình trạng nuôi cấy kháng thuốc trước đây của bệnh nhân hoặc tình trạng tiếp xúc với kháng sinh gần đây.
Một loại thuốc quá hẹp có thể không bao phủ được mầm bệnh. Một loại thuốc quá rộng sẽ làm tăng thêm tình trạng kháng thuốc, nhiễm trùng C. difficile và các tác dụng phụ.
MALDI-TOF đã xác định loài một cách nhanh chóng. Các mô hình được huấn luyện trên cùng một phổ nhằm mục đích dự đoán tình trạng kháng thuốc sớm hơn để có thể điều chỉnh liệu pháp sớm hơn.
Những bệnh nhân được cấy mẫu không phải là một mẫu ngẫu nhiên, vì vậy dữ liệu huấn luyện có thể không đại diện cho tất cả mọi người mà mô hình sẽ chấm điểm.
Việc đào tạo trong những năm trước và thử nghiệm trong những năm sau cho thấy liệu mô hình có giữ vững được khi các ngưỡng kháng cự và điểm dừng thay đổi hay không.
Tiếp tục học hỏi
Đã chọn thêm hướng dẫn cho chủ đề này
Tiếp theoHướng dẫn tiếp theo
Khám phá kháng sinh AI
ngành công nghiệp