Clinical evaluation of artificial intelligence for diagnostics of antibiotic-resistant bacteria
Diese Studie evaluierte prospektiv ein KI-Modell, das auf europäischen Überwachungsdaten trainiert wurde, um die Antibiotikaempfindlichkeit klinischer *E. coli*-Urinisolate vorherzusagen, wobei festgestellt wurde, dass das Modell zwar eine vielversprechende Leistung zeigte, sein klinischer Nutzen jedoch derzeit durch signifikante Fehlerraten und den Bedarf an zusätzlichen diagnostischen Daten über die Standard-Empfindlichkeits- und demografischen Ergebnisse hinaus begrenzt ist.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Jedes Mal, wenn ein Arzt eine bakterielle Infektion behandelt, steht er vor einem Wettlauf gegen die Zeit und einem biologischen Rätsel. Die Bakterien, die die Krankheit verursachen, könnten anfällig für ein gängiges Antibiotikum sein, oder sie könnten Abwehrmechanismen entwickelt haben, die diese Medikamente wirkungslos machen. Um dies zu lösen, führen Labore einen Test durch, bei dem sie die Bakterien verschiedenen Arzneimitteln aussetzen, um zu sehen, welche das Wachstum stoppen. Dieser Prozess, bekannt als Antibiotika-Resistenztest (Antibiotic Susceptibility Testing), ist der Goldstandard für die Wahl der richtigen Behandlung. Es dauert jedoch Zeit, die Bakterien zu züchten und diese Tests durchzuführen, und in den kritischen ersten Stunden einer Infektion müssen Ärzte oft raten, welches Medikament wirken wird. Wenn sie falsch raten, könnte der Patient leiden und die Bakterien könnten sich weiter ausbreiten. Der Anstieg von Bakterien, die gegen mehrere Medikamente resistent sind, hat dieses Ratespiel noch gefährlicher gemacht und schafft eine dringende Notwendigkeit für Werkzeuge, die das Ergebnis dieser Tests schneller vorhersagen können, als die Bakterien wachsen.
In diesem Zusammenhang setzten Forscher in Schweden an, um eine neue Art von digitalem Assistenten zu testen. Sie stellten eine einfache, aber schwierige Frage: Wenn ein Computer bereits weiß, wie ein spezifisches Bakterium auf einige wenige Antibiotika reagiert, kann er vorhersagen, wie dasselbe Bakterium auf andere reagieren wird, die er noch nie gesehen hat? Die Idee beruht auf der Tatsache, dass Bakterien oft Gruppen von Abwehrmechanismen tragen, die sie gegen mehrere Medikamente gleichzeitig schützen. Durch das Studium von Mustern in Millionen vergangener Testergebnisse wurde ein System der künstlichen Intelligenz darauf trainiert, diese verborgenen Verbindungen zu erkennen. Die Forscher wollten sehen, ob dieses System in einem echten Krankenhausumfeld funktionieren kann, unter Verwendung frischer Patientenproben anstatt nur alter Daten, die in einem Computer gesammelt wurden.
Das Team sammelte fast hundert Proben von E. coli, einer häufigen Art von Bakterien, die bei Harnwegsinfektionen vorkommen, von Patienten aus einem Krankenhaus in Göteborg. Sie stellten sicher, dass die Gruppe eine breite Mischung aus Menschen unterschiedlichen Alters und Geschlechts sowie Bakterien mit variierenden Resistenzgraden enthielt. Im Labor führten sie die standardmäßigen, langsamen Tests an allen Bakterien durch, um genau zu bestimmen, welche Antibiotika sie abtöten würden. Diese realen Ergebnisse dienten als Wahrheit, gegen die die Vermutungen des Computers gemessen wurden. Die künstliche Intelligenz wurde dann mit einer kleinen Menge an Informationen über jeden Patienten gefütert, wie etwa Alter und Geschlecht, zusammen mit den Ergebnissen von nur vier bis acht Antibiotikatests. Der Computer wurde dann gebeten, die Ergebnisse für die verbleibenden Antibiotika vorherzusagen, die noch nicht getestet worden waren.
Die Ergebnisse zeigten, dass der Computer überraschend genaue Vermutungen anstellen konnte. Wenn dem System die Ergebnisse für sechs Antibiotika gegeben wurden, sagte es das Ergebnis für die anderen acht Antibiotika in etwa 84 Prozent der Fälle korrekt voraus. Das bedeutet, dass die KI für die meisten Patienten sagen konnte, welche Medikamente wirken und welche versagen werden, noch bevor der vollständige Labortest abgeschlossen war. Das System war jedoch nicht perfekt. In etwa einem von fünf Fällen machte es einen signifikanten Fehler, indem es vorhersagte, dass ein Medikament wirken würde, obwohl es dies tatsächlich nicht tat, oder umgekehrt. Diese Fehler waren nicht zufällig; sie traten tendenziell bei bestimmten Arten von Bakterien auf, die komplexe oder ungewöhnliche Resistenzmuster aufwiesen, insbesondere bei solchen, die bestimmte genetische Abwehrmechanismen tragen, die schwerer vorherzusagen sind.
Um das Werkzeug für den realen Einsatz sicherer zu machen, fügten die Forscher eine Funktion hinzu, die es dem Computer ermöglicht, „Ich weiß es nicht“ zu sagen, wenn er nicht vertrauenswürdig genug ist, um eine Vermutung anzustellen. Als sie den Computer so einstellten, dass er sehr sicher sein musste, bevor er eine Antwort gab, sank die Zahl der Fehler signifikant, aber der Computer verweigerte in etwa 22 Prozent der Fälle eine Antwort. Dieser Kompromiss verdeutlicht eine entscheidende Realität: Das System ist ein mächtiger Helfer, aber es kann den Labortest nicht vollständig ersetzen. Es arbeitet am besten, wenn sich die Bakterien auf eine Weise verhalten, die der Computer schon einmal gesehen hat, aber es hat Schwierigkeiten, wenn die Bakterien seltene oder komplexe Abwehrmechanismen besitzen. Die Studie fand auch heraus, dass die Genauigkeit stark davon abhing, welche spezifischen Antibiotika als Ausgangspunkt für die Vorhersage verwendet wurden; die Wahl der richtigen Mischung der anfänglichen Tests konnte die Leistung des Computers verbessern.
Letztendlich zeigt diese Forschung, dass künstliche Intelligenz die verborgene Sprache der bakteriellen Resistenz erlernen und sie nutzen kann, um nützliche Vorhersagen in einem klinischen Umfeld zu treffen. Die Methode verspricht als Weg, Behandlungsentscheidungen zu beschleunigen, was Ärzten potenziell helfen kann, das richtige Antibiotikum früher auszuwählen. Die Studie macht jedoch auch deutlich, dass die Technologie noch nicht bereit ist, das Ruder allein zu übernehmen. Die Fehler, die sie machte – obwohl sie weniger als halb der Zeit auftraten –, waren signifikant genug, um eine menschliche Aufsicht zu erfordern. Der Weg nach vorn besteht darin, das System zu verfeinern, indem man ihm vielleicht detailliertere Daten aus den Labortests anstatt nur einfache Pass-oder-Fail-Ergebnisse zuführt und es kontinuierlich über die vielfältigen Wege lehrt, wie Bakterien sich entwickeln. Vorerst steht die KI als ein hochentwickelter Assistent bereit, der eine Zweitmeinung anbieten kann, aber die endgültige Entscheidung liegt weiterhin beim Arzt und dem Labor.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.