Lo sviluppo e l’impiego degli antibiotici, a partire dalla seconda metà del XX secolo, ha rivoluzionato l’approccio al trattamento e alla prevenzione delle malattie infettive e delle infezioni permettendo l’evoluzione della medicina moderna. Tuttavia, la comparsa di resistenza agli antibiotici (AMR, antimicrobial resistance) rischia di rendere vane queste conquiste. Uno studio condotto in collaborazione con l’ETH di Zurigo ha dimostrato che l’intelligenza artificiale (AI) può determinare la resistenza agli antibiotici dei batteri più velocemente rispetto ai metodi precedenti. Ciò potrebbe aiutare a trattare infezioni gravi in modo più efficiente in futuro. Lo studio è stato pubblicato il 10 gennaio 2022 sull’ultimo numero della rivista scientifica Nature Medicine.
I batteri e i funghi che hanno sviluppato una resistenza agli antibiotici rappresentano una minaccia seria e crescente. Le infezioni da agenti patogeni resistenti agli antimicrobici sono associate a sostanziali morbilità, mortalità e costi sanitari. Un trattamento rapido con un efficace antibiotico è fondamentale per l’esito di un’infezione. Tuttavia, la terapia antibiotica e il dosaggio devono tenere conto dei profili di resistenza di presunti agenti patogeni e devono essere presi in considerazione anche fattori specifici dell’ospite come l’età del paziente, la funzionalità renale, l’anamnesi precedente e la terapia concomitante.
L’identificazione precoce delle specie microbiche che causano un’infezione può migliorare il targeting delle opzioni terapeutiche basate, ad esempio, sulla conoscenza dei meccanismi di resistenza intrinseca. Tuttavia, spesso occorrono due o più giorni per determinare quali antibiotici sono ancora efficaci contro un particolare patogeno perché i batteri del campione del paziente devono prima essere coltivati nel laboratorio diagnostico. A causa di questo ritardo, molti medici inizialmente trattano infezioni gravi con una classe di farmaci noti come antibiotici ad ampio spettro, che sono efficaci contro un’ampia gamma di specie batteriche.
I ricercatori dell’ETH di Zurigo, dell’Ospedale universitario di Basilea e dell’Università di Basilea hanno sviluppato un metodo basato sull’intelligenza artificiale che utilizza i dati della spettrometria di massa per identificare i segni di resistenza agli antibiotici nei batteri fino a 24 ore prima. “Algoritmi informatici intelligenti cercano nei dati modelli che distinguono i batteri resistenti da quelli che rispondono agli antibiotici”, afferma Caroline Weis, una studentessa di dottorato presso il Dipartimento di Scienze e Ingegneria dei Biosistemi presso l’ETH di Zurigo e autrice principale dello studio.
Identificare la resistenza agli antibiotici in una fase iniziale permette ai medici di adattare più rapidamente una terapia antibiotica al batterio in questione. Questo può essere particolarmente vantaggioso per i pazienti gravemente malati. “Il tempo impiegato per ottimizzare la terapia antibiotica potrebbe fare la differenza tra la vita e la morte se un’infezione è grave. Una diagnosi rapida e accurata è estremamente importante in questi tipi di casi”, afferma Adrian Egli, professore e capo di batteriologia clinica presso l’Ospedale universitario di Basilea.
Lo strumento di spettrometria di massa che fornisce i dati per il nuovo metodo è già in uso in molti laboratori di microbiologia in tutto il mondo per identificare i tipi batterici. Il dispositivo analizza migliaia di frammenti proteici in ciascun campione, dopodiché crea un’impronta digitale individuale delle proteine batteriche. Questo processo richiede anche la coltura dei batteri in anticipo, ma solo per poche ore anziché per alcuni giorni.
I ricercatori hanno sviluppato un nuovo approccio di machine learning per prevedere la resistenza agli antibiotici direttamente dai profili degli spettri di massa degli isolati clinici. Gli scienzitati hanno addestrato classificatori calibrati su un nuovo database: per questo set di dati, i team hanno estratto più di 300.000 spettri di massa di singoli batteri da quattro laboratori della Svizzera nordoccidentale e li hanno collegati ai risultati dei corrispondenti test di resistenza clinica. Il risultato è un nuovo set di dati pubblicamente disponibile che copre circa 800 diversi batteri e oltre 40 diversi antibiotici.
“Il nostro passo successivo è stato addestrare algoritmi di intelligenza artificiale con questi dati in modo che potessero imparare a rilevare da soli la resistenza agli antibiotici“, afferma Karsten Borgwardt, professore presso il Dipartimento di scienza e ingegneria dei biosistemi all’ETH di Zurigo, a Basilea, che ha condotto lo studio insieme al professor Egli.
Mentre gli studi precedenti in questo campo di ricerca si sono concentrati su singole specie batteriche o antibiotici, questo nuovo studio si basa su diversi tipi batterici isolati negli ospedali, nonché su una moltitudine di caratteristiche di resistenza associate. “Il nostro set di dati è il più grande fino ad oggi per combinare i dati della spettrometria di massa con le informazioni sulla resistenza agli antibiotici”, afferma Borgwardt. “È un ottimo esempio di come i dati clinici esistenti possono essere utilizzati per generare nuove conoscenze“.
Per valutare l’utilità e l’attendibilità delle previsioni dell’intelligenza artificiale, i ricercatori hanno collaborato con un esperto di malattie infettive per analizzare circa 60 casi di studio. L’obiettivo era quello di determinare la misura in cui le previsioni avrebbero influenzato la scelta della terapia antibiotica se fossero state disponibili per il medico in una fase iniziale del processo decisionale. Il team di ricerca ha scelto casi di studio con i più importanti batteri resistenti agli antibiotici, tra cui lo Staphylococcus aureus resistente alla meticillina (MRSA) e i batteri intestinali resistenti agli antibiotici beta-lattamici ad ampio spettro (E. coli). I risultati hanno mostrato che il nuovo metodo avrebbe effettivamente spinto il medico a optare per una migliore terapia antibiotica in alcuni casi.
Prima che il nuovo metodo diagnostico possa essere implementato nella cura del paziente, il team di ricerca dovrà superare ulteriori sfide, tra cui l’implementazione di uno studio clinico su larga scala per corroborare i vantaggi del nuovo metodo in un ambiente ospedaliero di routine. “La pianificazione di tale studio è già in corso”, afferma Egli. In qualità di esperto di microbiologia clinica, è fiducioso che il progetto migliorerà il modo in cui verranno trattate le infezioni nei prossimi anni.
Borgwardt afferma che il progetto solleva anche molte importanti questioni di ricerca riguardanti l’uso dell’intelligenza artificiale in medicina. “Questo set di dati ci consente di dare un’occhiata più da vicino ai cambiamenti che dobbiamo apportare a livello algoritmico per migliorare ulteriormente la qualità delle previsioni per i dati raccolti in momenti diversi e in luoghi diversi”.
