Antibiogramma digitale: l’arma in più per combattere le antibiotico-resistenze

Un recente studio italiano dimostra che il machine-learning può essere un importante supporto nella scelta tempestiva e personalizzata degli antibiotici più efficaci

La crescente diffusione dell’antibiotico-resistenza è una delle minacce più serie alla salute pubblica in tutto il mondo. Ceppi batterici insensibili alla maggior parte degli antibiotici emergono con sempre maggiore frequenza, in Italia più spesso che altrove, conferendo all’Italia un primato europeo certamente non invidiabile. Le cause sono legate al consumo eccessivo e inappropriato di antibiotici, all’utilizzo eccessivo di molecole ad ampio spettro che dovrebbero essere invece più spesso sostituite da molecole ad azione più mirata; alla pressione selettiva indotta dall’uso eccessivo di antibiotici negli allevamenti zootecnici.

A peggiorare il quadro c’è il fattore tempo, che per le infezioni più gravi rappresenta un elemento particolarmente critico. Ridurre al minimo il tempo necessario a iniziare la terapia più efficace può migliorare significativamente il decorso, soprattutto in pazienti anziani o fragili o in condizioni critiche, contribuendo decisamente a migliorare gli esiti clinici, diminuire la durata delle ospedalizzazioni riducendone anche i costi, ridurre la mortalità associata alle infezioni più gravi limitando al tempo stesso l’uso di antibiotici ad ampio spettro, e infine combattere l’insorgenza di resistenze agli antibiotici.

La gravità associata alle infezioni più serie è l’effetto di quella che è definita “golden hour” “l’ora d’oro”. Diversi studi calcolano un 5-10% di aumento di mortalità per ogni ora di ritardo dell’inizio della terapia efficace, in pazienti affetti da shock settico. Pertanto, ogni ritardo nell’identificazione della terapia antibiotica più efficace può peggiorare gli esiti clinici. Dunque, prevedere precocemente e in maniera personalizzata ed efficace la risposta agli antibiotici può cambiare in maniera rilevante il decorso clinico di molte infezioni.

Un recente studio italiano dimostra che il machine-learning può essere un importante supporto nella scelta tempestiva e personalizzata degli antibiotici più efficaci.

Utilizzando per ogni paziente i rispettivi dati clinici e microbiologici, i ricercatori hanno selezionato un algoritmo per la previsione denominata “antibiogramma digitale”, che con una accuratezza vicino al 90% prevede, in maniera personalizzata per ciascun paziente, la sensibilità ai diversi antibiotici e può fornire un supporto alla decisone terapeutica, comunque presa dal medico. Il dato è elaborato con almeno 48 ore di anticipo rispetto ai tempi necessari per ottenere l’antibiogramma standard.

Tra i diversi modelli di machine learning testati, il modello XGBoost ha mostrato la migliore capacità di previsione, sia per batteri Gram-positivi sia per batteri Gram-negativi, migliorando ancora le prestazioni nell’analisi di specifiche specie batteriche tra cui: Pseudomonas aeruginosa, Klebsiella pneumoniae, Staphylococcus aureus e altri.

Un dato molto interessante è che l’addestramento del modello non ha richiesto informazioni particolarmente sofisticate (che potrebbero non essere raccolte in tutti casi), ma solo i dati di routine raccolti nelle normali analisi cliniche insieme a, se presenti, i dati della storia clinica di ciascun paziente.

Questo dato ha dimostrato che le informazioni normalmente disponibili nei sistemi informativi ospedalieri possono sostenere in maniera rilevante decisioni terapeutiche rapide, efficaci e personalizzate, anche nel campo della risposta agli antibiotici.

Un altro punto che emerge da questo studio indica che gli algoritmi di intelligenza artificiale e machine learning che letteralmente “imparano” dai dati forniti, possono avere una applicazione ideale nella medicina personalizzata, poiché le scelte terapeutiche suggerite dal modello non dipendono esclusivamente dai microrganismi isolati, ma evidentemente anche dalle caratteristiche personali e specifiche del paziente, e dalla sua personale storia clinica. La sempre maggiore applicazione dei modelli di machine learning e intelligenza artificiale a tematiche sanitarie, sia nell’ambito diagnostico che in quello terapeutico, indica le enormi potenzialità di queste tecniche nel settore biomedico, pur sotto il controllo di una stretta rete di regole e norme applicative.

*Medico oncologo, Laboratorio di Oncologia Molecolare, IDI-IRCCS, Roma