📄 infectious diseases

Clinical evaluation of artificial intelligence for diagnostics of antibiotic-resistant bacteria

قيمت هذه الدراسة استباقياً نموذجاً للذكاء الاصطناعي تم تدريبه على بيانات مراقبة أوروبية للتنبؤ بالحساسية للمضادات الحيوية في عزلات بكتيريا الإشريكية القولونية (E. coli) من البول السريري، ووجدت أنه في حين أظهر النموذج أداءً واعداً، فإن فائدته السريرية محدودة حالياً بسبب معدلات الخطأ الكبيرة والحاجة إلى بيانات تشخيصية إضافية تتجاوز نتائج الحساسية والبيانات الديموغرافية القياسية.

المؤلفون الأصليون: Hessel, M., Inda Diaz, J. S., Sjöberg, A., Salva-Serra, F., Helldal, L., Jirstrand, M., Johnning, A., Kristiansson, E., Skovbjerg, S.

نُشر 2026-08-31

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hessel, M., Inda Diaz, J. S., Sjöberg, A., Salva-Serra, F., Helldal, L., Jirstrand, M., Johnning, A., Kristiansson, E., Skovbjerg, S.

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

في كل مرة يعالج فيها الطبيب عدوى بكتيرية، فإنه يواجه سباقاً مع الزمن ولغزاً بيولوجياً. فقد تكون البكتيريا المسببة للمرض عرضة لمضاد حيوي شائع، أو قد تكون طورت دفاعات تجعل تلك الأدوية عديمة الفائدة. ولحل هذه المعضلة، تجري المختبرات اختباراً حيث تعرض البكتيريا لأدوية مختلفة لترى أي منها يوقف النمو. هذه العملية، المعروفة باسم اختبار الحساسية للمضادات الحيوية، هي المعيار الذهبي لاختيار العلاج المناسب. ومع ذلك، يستغرق نمو البكتيريا وإجراء هذه الاختبارات وقتاً، وفي الساعات الأولى الحرجة من العدوى، غالباً ما يتعين على الأطباء التخمين بشأن الدواء الذي سيعمل. وإذا أخطأوا في التخمين، فقد يعاني المريض، وقد تنتشر البكتيريا بشكل أكبر. إن صعود البكتيريا المقاومة لعدة أدوية جعل لعبة التخمين هذه أكثر خطورة، مما خلق حاجة ملحة لأدوات يمكنها التنبؤ بنتيجة هذه الاختبارات بشكل أسرع من نمو البكتيريا نفسها.

في هذا السياق، شرع باحثون في السويد في اختبار نوع جديد من المساعد الرقمي. لقد طرحوا سؤالاً بسيطاً ولكنه صعب: إذا كان الكمبيوتر يعرف بالفعل كيف تتفاعل بكتيريا معينة مع عدد قليل من المضادات الحيوية، فهل يمكنه التنبؤ بكيفية تفاعل نفس البكتيريا مع مضادات أخرى لم يسبق له رؤيتها؟ تعتمد الفكرة على حقيقة أن البكتيريا غالباً ما تحمل مجموعات من آليات الدفاع التي تحميها ضد عدة أدوية في آن واحد. ومن خلال دراسة الأنماط في ملايين النتائج السابقة للاختبارات، تم تدريب نظام ذكاء اصطناعي للتعرف على هذه الروابط الخفية. أراد الباحثون معرفة ما إذا كان بإمكان هذا النظام العمل في بيئة مستشفى حقيقية، باستخدام عينات طازجة من المرضى، بدلاً من مجرد الاعتماد على بيانات قديمة جُمعت في جهاز كمبيوتر.

جمع الفريق ما يقرب من مائة عينة من بكتيريا "إي كولاي" (E. coli)، وهي نوع شائع من البكتيريا الموجودة في التهابات المسالك البولية، من مرضى في مستشفى في غوتنبرغ. وقد ضمنوا أن تضم المجموعة مزيجاً واسعاً من الناس من مختلف الأعمار والأجناس، وبكتيريا ذات مستويات متفاوتة من المقاومة. وفي المختبر، أجروا الاختبارات القياسية البطيئة على جميع البكتيريا لتحديد أي المضادات الحيوية ستقتلها بدقة. وكانت هذه النتائج الواقعية بمثابة الحقيقة التي تُقاس بها تخمينات الكمبيوتر. بعد ذلك، تم تغذية الذكاء الاصطناعي بكمية صغيرة من المعلومات حول كل مريض، مثل عمره وجنسه، إلى جانب نتائج أربعة إلى ثمانية اختبارات فقط للمضادات الحيوية. ثم طُلب من الكمبيوتر التنبؤ بنتائج المضادات الحيوية المتبقية التي لم تُختبر بعد.

أظهرت النتائج أن الكمبيوتر يمكنه تقديم تخمينات دقيقة بشكل مدهش. فعندما أُعطي النظام نتائج ستة مضادات حيوية، تنبأ بشكل صحيح بنتيجة المضادات الثمانية الأخرى في حوالي 84 بالمائة من الحالات. وهذا يعني أنه بالنسبة لمعظم المرضى، يمكن للذكاء الاصطناعي أن يخبر الطبيب بالأدوية التي ستنجح وتلك التي ستفشل، حتى قبل انتهاء الاختبار المختبري الكامل. ومع ذلك، لم يكن النظام مثالياً؛ ففي حالة واحدة من كل خمس حالات تقريباً، ارتكب خطأً جسيماً، حيث توقع أن الدواء سيعمل بينما هو في الواقع لن يعمل، أو العكس. ولم تكن هذه الأخطاء عشوائية، بل كانت تميل للحدوث مع أنواع معينة من البكتيريا التي تمتلك أنماط مقاومة معقدة أو غير عادية، وخاصة تلك التي تحمل دفاعات جينية معينة يصعب التنبؤ بها.

ولجعل الأداة أكثر أماناً للاستخدام في العالم الحقيقي، أضاف الباحثون ميزة تسمح للكمبيوتر بقول "لا أعرف" عندما لا يكون واثقاً بما يكفي لتقديم تخمين. وعندما ضبطوا الكمبيوتر ليكون شديد التأكد قبل التحدث، انخفض عدد الأخطاء بشكل كبير، ولكن الكمبيوتر رفض أيضاً إعطاء إجابة في حوالي 22 بالمائة من الحالات. يسلط هذا التبادل الضوء على واقع حاسم: النظام هو مساعد قوي، لكنه لا يمكن أن يحل محل الاختبار المختبري تماماً. فهو يعمل بشكل أفضل عندما تتصرف البكتيريا بطرق سبق للكمبيوتر رؤيتها، لكنه يعاني عندما تواجه البكتيريا دفاعات نادرة أو معقدة. كما وجدت الدراسة أن الدقة تعتمد بشكل كبير على المضادات الحيوية المحددة المستخدمة كنقطة انطلاق للتنبؤ؛ إذ يمكن لاختيار المزيج الصحيح من الاختبارات الأولية أن يحسن أداء الكمبيوتر.

في نهاية المطاف، يوضح هذا البحث أن الذكاء الاصطناعي يمكنه تعلم اللغة الخفية لمقاومة البكتيريا واستخدامها لتقديم تنبؤات مفيدة في بيئة سريرية. وتظهر الطريقة وعوداً كوسيلة لتسريع قرارات العلاج، مما قد يساعد الأطباء في اختيار المضاد الحيوي المناسب في وقت أقصر. ومع ذلك، تؤكد الدراسة أيضاً أن التكنولوجيا ليست جاهزة بعد لإدارة المشهد بمفردها. فالأخطاء التي ارتكبها، رغم أنها كانت أقل من نصف الوقت، كانت جسيمة بما يكفي لتتطلب إشرافاً بشرياً. ويتمثل المسار المستقبلي في صقل النظام، ربما عن طريق تغذيته ببيانات أكثر تفصيلاً من الاختبارات المختبرية بدلاً من مجرد نتائج بسيطة (ناجح أو فاشل)، والاستمرار في تعليمه حول الطرق المتنوعة التي تتطور بها البكتيريا. في الوقت الحالي، يقف الذكاء الاصطناعي كمساعد متطور، مستعد لتقديم رأي ثانٍ، لكن القرار النهائي لا يزال بيد الطبيب والمختبر.

أبحاث مشابهة