Già da prima della pandemia di COVID-19, la resistenza antimicrobica (AMR) costituisce una sfida globale fondamentale per la salute pubblica. Secondo le stime dell’Organizzazione Mondiale della Sanità, nella sola area europea si registrano oltre 670.000 infezioni all’anno causate da batteri resistenti a uno o più antibiotici, con circa 33.000 decessi. La resistenza antimicrobica è un fenomeno naturale, principalmente guidato da cambiamenti genetici nei microrganismi. Tuttavia, l’abuso e l’uso eccessivo degli antibiotici accelerano lo sviluppo e la selezione di patogeni resistenti ai farmaci. Le percentuali più preoccupanti di AMR sono concentrate nelle zone meridionali ed orientali dell’Europa, con Italia e Grecia che registrano la quota stimata più elevata di infezioni batteriche resistenti agli antibiotici.
Attualmente, il gold standard per rilevare la resistenza antimicrobica si basa sui classici test di suscettibilità agli antimicrobici basati sulle colture. Questo metodo, sebbene affidabile, richiede circa 24 ore per l’identificazione del microrganismo e ulteriori 48 ore per riportare i risultati. Questo processo, dispendioso in termini di tempo, può influire in modo decisivo sul decorso dei pazienti, sia ritardando il trattamento sia costringendo i professionisti sanitari a iniziare una terapia basata su ipotesi plausibili e linee guida locali, in quanto è cruciale intervenire immediatamente.
Le tecniche di intelligenza artificiale (IA) e machine learning (ML) hanno acquisito sempre più importanza nel campo della medicina, raggiungendo prestazioni sempre più promettenti e che ci porteranno verso la medicina personalizzata e di precisione. Ci sono diverse modalità in cui l’IA può essere applicata alla resistenza antimicrobica. Ad esempio, l’IA è stata impiegata per progettare nuovi antibiotici o prevedere combinazioni di farmaci sinergici. Questi modelli sono stati addestrati su un insieme di dati di interazioni fra composti conosciuti e rappresentano uno strumento potente per progettare nuove combinazioni di farmaci e strategie terapeutiche, ottimizzando così gli esiti terapeutici. Un gruppo di ricercatori di Singapore hanno sfruttato modelli di ML per la sorveglianza della resistenza antimicrobica e per valutare l’appropriato uso delle prescrizioni di antibiotici. Uno studio condotto nel 2020 su 715 pazienti ricoverati al pronto soccorso dell’Ospedale Tan Tock Seng, il secondo ospedale per adulti più grande di Singapore, mostra che, combinando i risultati dei loro tre modelli di intelligenza artificiale, il 58,3% dei partecipanti allo studio non avrebbe avuto bisogno di antibiotici.
Kelyon ha collaborato con esperti e ricercatori dell’Università di Salerno, dell’IRCCS Istituto Dermopatico dell’Immacolata (IDI), dell’Istituto Superiore di Sanità (ISS) e del Consiglio Nazionale delle Ricerche (CNR) per affrontare la sfida dell’antibiotico-resistenza. Il team di ricerca sta analizzando ampi dataset di test di suscettibilità agli antibiotici per sviluppare nuovi modelli di IA in grado di prevedere il profilo di resistenza di diverse specie batteriche. La collaborazione è iniziata nel 2021 con l’attivazione di una posizione di dottorato supervisionata congiuntamente da Kelyon e dall’Università di Salerno. I risultati preliminari delle attività di ricerca sono stati presentati al 10° congresso annuale dell’European Society of Translational Medicine, tenutosi dal 6 all’8 ottobre 2023, e alla 18ª edizione della conferenza di Bioinformatica e Biologia Computazionale, tenutasi dal 5 al 7 dicembre 2023.
È innegabile che l’IA migliorerà la nostra capacità di sostenere le decisioni in ambito sanitario. La letteratura nel campo dell’IA/ML applicata alla microbiologia mostra un crescente interesse nel trovare nuove soluzioni per affrontare la resistenza antimicrobica. Dashboards e strumenti di visualizzazione dei dati, se ben integrati in un’interfaccia software user-friendly, sono estremamente utili per ricercatori, clinici e altri attori interessati nell’analizzare le tendenze della resistenza agli antibiotici, definire nuove politiche di trattamento e valutare l’efficacia dei programmi di gestione degli antimicrobici o le potenziali conseguenze dell’inazione.
I risultati preliminari ottenuti dal team di ricerca indicano che i modelli di apprendimento automatico applicati ai dati di suscettibilità antimicrobica hanno il potenziale per fornire preziose previsioni sui profili di resistenza agli antibiotici, supportando i professionisti sanitari nella scelta della terapia più appropriata in tempo utile. Questi modelli possono essere incorporati in un sistema di supporto decisionale clinico basato sui dati (CDSS) e integrati nel flusso di lavoro clinico, portando a una prescrizione antibiotica più personalizzata e fornendo ai professionisti sanitari un altro efficace strumento per offrire cure migliori e mitigare le conseguenze della resistenza antimicrobica.
