Η τεχνητή νοημοσύνη θα μπορούσε να αναπτύξει θεραπείες για την πρόληψη των "υπερβακτηρίων

Ερευνητές στην Κλινική του Κλίβελαντ ανέπτυξαν ένα μοντέλο τεχνητής νοημοσύνης (AI) που μπορεί να καθορίσει τον καλύτερο συνδυασμό και χρονισμό φαρμάκων για τη θεραπεία μιας βακτηριακής λοίμωξης, βασιζόμενοι αποκλειστικά στον ρυθμό ανάπτυξης των βακτηρίων υπό ορισμένες συνθήκες. Η ομάδα, με επικεφαλής τον Δρ. Τζέικομπ Σκοτ και το εργαστήριό του στο Θεωρητικό Τμήμα Μεταφραστικής Αιματολογίας και Ογκολογίας, δημοσίευσε πρόσφατα τα ευρήματά της στο περιοδικό Proceedings of the National Academy of Sciences.

Τα αντιβιοτικά αποδίδονται στην αύξηση του μέσου προσδόκιμου ζωής στις Ηνωμένες Πολιτείες κατά σχεδόν μια δεκαετία. Οι θεραπείες αυτές μείωσαν τα ποσοστά θνησιμότητας από προβλήματα υγείας που τώρα θεωρούμε ήσσονος σημασίας, όπως ορισμένες τομές και τραυματισμούς. Ωστόσο, τα αντιβιοτικά δεν λειτουργούν πλέον τόσο καλά όσο κάποτε, εν μέρει επειδή χρησιμοποιούνται τόσο ευρέως.

«Οι παγκόσμιοι οργανισμοί υγείας συμφωνούν ότι μπαίνουμε σε μια μετα-αντιβιοτική εποχή», εξηγεί ο Δρ Σκοτ. «Αν δεν αλλάξουμε τον τρόπο που καταπολεμούμε τα βακτήρια, μέχρι το 2050 περισσότεροι άνθρωποι θα πεθαίνουν από λοιμώξεις ανθεκτικές στα αντιβιοτικά παρά από καρκίνο».

Τα βακτήρια πολλαπλασιάζονται γρήγορα, παράγοντας μεταλλαγμένους απογόνους. Η υπερβολική χρήση αντιβιοτικών δίνει στα βακτήρια την ευκαιρία να αναπτύξουν μεταλλάξεις που είναι ανθεκτικές στη θεραπεία. Με την πάροδο του χρόνου, τα αντιβιοτικά σκοτώνουν όλα τα ευαίσθητα βακτήρια, αφήνοντας μόνο τα ισχυρότερα μεταλλαγμένα στελέχη που τα αντιβιοτικά δεν μπορούν να σκοτώσουν.

Μια στρατηγική που χρησιμοποιούν οι γιατροί για να βελτιστοποιήσουν τις θεραπείες για βακτηριακές λοιμώξεις ονομάζεται εναλλαγή αντιβιοτικών. Οι εργαζόμενοι στον τομέα της υγειονομικής περίθαλψης εναλλάσσονται μεταξύ διαφορετικών αντιβιοτικών με την πάροδο του χρόνου. Η εναλλαγή μεταξύ διαφορετικών φαρμάκων δίνει στα βακτήρια λιγότερο χρόνο για να αναπτύξουν αντοχή σε οποιαδήποτε κατηγορία αντιβιοτικών. Η εναλλαγή μπορεί ακόμη και να κάνει τα βακτήρια πιο ευαίσθητα σε άλλα αντιβιοτικά.

«Η εναλλαγή φαρμάκων δείχνει πολλά υποσχόμενη στην αποτελεσματική θεραπεία ασθενειών», λέει ο πρώτος συγγραφέας της μελέτης και φοιτητής ιατρικής Davis Weaver, PhD. «Το πρόβλημα είναι ότι δεν γνωρίζουμε τον καλύτερο τρόπο για να το κάνουμε. Δεν υπάρχουν πρότυπα για το ποιο αντιβιοτικό να χορηγήσουμε, για πόσο χρονικό διάστημα ή με ποια σειρά».

Ο συν-συγγραφέας της μελέτης, Δρ. Τζεφ Μάλτας, μεταδιδακτορικός ερευνητής στην Κλινική του Κλίβελαντ, χρησιμοποιεί υπολογιστικά μοντέλα για να προβλέψει πώς η αντοχή των βακτηρίων σε ένα αντιβιοτικό τα καθιστά πιο αδύναμα σε σχέση με ένα άλλο. Συνεργάστηκε με τον Δρ. Γουίβερ για να δει εάν τα μοντέλα που βασίζονται σε δεδομένα θα μπορούσαν να προβλέψουν μοτίβα εναλλαγής φαρμάκων που ελαχιστοποιούν την αντοχή στα αντιβιοτικά και μεγιστοποιούν την ευαισθησία, παρά την τυχαία φύση της βακτηριακής εξέλιξης.

Ο Δρ. Weaver ηγήθηκε της εφαρμογής της ενισχυτικής μάθησης στο μοντέλο εναλλαγής φαρμάκων, το οποίο διδάσκει έναν υπολογιστή να μαθαίνει από τα λάθη και τις επιτυχίες του για να καθορίσει την καλύτερη στρατηγική για την ολοκλήρωση μιας εργασίας. Η μελέτη είναι μία από τις πρώτες που εφαρμόζει την ενισχυτική μάθηση σε σχήματα εναλλαγής αντιβιοτικών, σύμφωνα με τους Δρ. Weaver και Maltas.

Σχηματική εξελικτική προσομοίωση και δοκιμασμένες προσεγγίσεις βελτιστοποίησης. Πηγή: Πρακτικά της Εθνικής Ακαδημίας Επιστημών (2024). DOI: 10.1073/pnas.2303165121

«Η ενισχυτική μάθηση είναι μια ιδανική προσέγγιση επειδή χρειάζεται μόνο να γνωρίζετε πόσο γρήγορα αναπτύσσονται τα βακτήρια, κάτι που είναι σχετικά εύκολο να προσδιοριστεί», εξηγεί ο Δρ. Γουίβερ. «Υπάρχει επίσης περιθώριο για ανθρώπινη διακύμανση και σφάλμα. Δεν χρειάζεται να μετράτε τον ρυθμό ανάπτυξης μέχρι το χιλιοστό του δευτερολέπτου κάθε φορά».

Η τεχνητή νοημοσύνη της ερευνητικής ομάδας κατάφερε να προσδιορίσει τα πιο αποτελεσματικά σχέδια εναλλαγής αντιβιοτικών για τη θεραπεία πολλαπλών στελεχών του E. coli και την πρόληψη της αντοχής στα φάρμακα. Η μελέτη δείχνει ότι η τεχνητή νοημοσύνη μπορεί να υποστηρίξει τη λήψη πολύπλοκων αποφάσεων, όπως ο υπολογισμός των χρονοδιαγραμμάτων θεραπείας με αντιβιοτικά, λέει ο Δρ. Μάλτας.

Ο Δρ. Γουίβερ εξηγεί ότι πέρα από τη διαχείριση της λοίμωξης σε έναν μεμονωμένο ασθενή, το μοντέλο τεχνητής νοημοσύνης της ομάδας θα μπορούσε να καθορίσει τον τρόπο με τον οποίο τα νοσοκομεία αντιμετωπίζουν τις λοιμώξεις συνολικά. Αυτός και η ερευνητική του ομάδα εργάζονται επίσης για να επεκτείνουν το έργο τους πέρα από τις βακτηριακές λοιμώξεις σε άλλες θανατηφόρες ασθένειες.

«Αυτή η ιδέα δεν περιορίζεται στα βακτήρια, μπορεί να εφαρμοστεί σε οποιοδήποτε αντικείμενο που μπορεί να αναπτύξει αντοχή στη θεραπεία», λέει. «Στο μέλλον, πιστεύουμε ότι αυτοί οι τύποι τεχνητής νοημοσύνης θα μπορούσαν να χρησιμοποιηθούν για τη διαχείριση καρκίνων ανθεκτικών στη θεραπεία».