Clinical evaluation of artificial intelligence for diagnostics of antibiotic-resistant bacteria
Cette étude a évalué de manière prospective un modèle d'IA entraîné sur des données de surveillance européennes pour prédire la sensibilité aux antibiotiques dans les isolats urinaires cliniques d'*E. coli*, concluant que, bien que le modèle présente des performances prometteuses, son utilité clinique est actuellement limitée par des taux d'erreur importants et la nécessité de données diagnostiques supplémentaires au-delà des résultats standards de sensibilité et de démographie.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Chaque fois qu'un médecin traite une infection bactérienne, il est confronté à une course contre la montre et à un casse-tête biologique. Les bactéries responsables de la maladie peuvent être vulnérables à un antibiotique courant, ou elles peuvent avoir développé des défenses qui rendent ces médicaments inutiles. Pour résoudre ce problème, les laboratoires effectuent un test où ils exposent les bactéries à différents médicaments pour voir lesquels stoppent leur croissance. Ce processus, connu sous le nom de test de sensibilité aux antibiotiques, est la méthode de référence pour choisir le traitement approprié. Cependant, il faut du temps pour faire croître les bactéries et réaliser ces tests, et dans les premières heures critiques d'une infection, les médecins doivent souvent deviner quel médicament fonctionnera. S'ils se trompent, le patient pourrait souffrir et les bactéries pourraient se propager davantage. La montée en puissance de bactéries résistantes à plusieurs médicaments a rendu ce jeu de devinettes encore plus dangereux, créant un besoin urgent d'outils capables de prédire l'issue de ces tests plus rapidement que la croissance des bactéries.
Dans ce contexte, des chercheurs en Suède ont entrepris de tester un nouveau type d'assistant numérique. Ils ont posé une question simple mais difficile : si un ordinateur connaît déjà la réaction d'une bactérie spécifique à quelques antibiotiques, peut-il prédire comment cette même bactérie réagira à d'autres qu'il n'a jamais rencontrés ? L'idée repose sur le fait que les bactéries transportent souvent des groupes de mécanismes de défense qui les protègent contre plusieurs médicaments à la fois. En étudiant les schémas de millions de résultats de tests passés, un système d'intelligence artificielle a été entraîné à reconnaître ces connexions cachées. Les chercheurs voulaient voir si ce système pouvait fonctionner dans un cadre hospitalier réel, en utilisant des échantillons frais provenant de patients, plutôt que de simples données anciennes collectées dans un ordinateur.
L'équipe a rassemblé près de cent échantillons d'E. coli, un type courant de bactérie présente dans les infections urinaires, provenant de patients d'un hôpital de Göteborg. Ils se sont assurés que le groupe comprenait un large mélange de personnes d'âges et de sexes différents, ainsi que des bactéries présentant des niveaux de résistance variés. En laboratoire, ils ont effectué les tests standards, plus lents, sur toutes les bactéries pour déterminer exactement quels antibiotiques les tueraient. Ces résultats du monde réel ont servi de vérité de référence contre laquelle les suppositions de l'ordinateur seraient mesurées. L'intelligence artificielle a ensuite reçu une petite quantité d'informations sur chaque patient, telles que son âge et son sexe, ainsi que les résultats de seulement quatre à huit tests d'antibiotiques. L'ordinateur a ensuite été chargé de prédire les résultats pour les antibiotiques restants qui n'avaient pas encore été testés.
Les résultats ont montré que l'ordinateur pouvait faire des suppositions étonnamment précises. Lorsqu'on donnait au système les résultats de six antibiotiques, il prédisait correctement l'issue pour les huit autres antibiotiques dans environ 84 % des cas. Cela signifie que pour la plupart des patients, l'IA pouvait dire au médecin quels médicaments fonctionneraient et lesquels échoueraient, avant même que le test de laboratoire complet ne soit terminé. Cependant, le système n'était pas parfait. Dans environ un cas sur cinq, il commettait une erreur significative, prédisant qu'un médicament fonctionnerait alors qu'il ne le ferait pas, ou inversement. Ces erreurs n'étaient pas aléatoires ; elles avaient tendance à se produire avec des types spécifiques de bactéries possédant des schémas de résistance complexes ou inhabituels, particulièrement celles portant certaines défenses génétiques plus difficiles à prédire.
Pour rendre l'outil plus sûr pour une utilisation dans le monde réel, les chercheurs ont ajouté une fonctionnalité qui permet à l'ordinateur de dire « je ne sais pas » lorsqu'il n'est pas assez confiant pour faire une supposition. Lorsqu'ils ont réglé l'ordinateur pour qu'il soit très sûr de lui avant de s'exprimer, le nombre d'erreurs a considérablement chuté, mais l'ordinateur a également refusé de donner une réponse dans environ 22 % des cas. Ce compromis souligne une réalité cruciale : le système est un assistant puissant, mais il ne peut pas remplacer entièrement le test de laboratoire. Il fonctionne mieux lorsque les bactéries se comportent de manières que l'ordinateur a déjà rencontrées, mais il est en difficulté lorsque les bactéries présentent des défenses rares ou complexes. L'étude a également révélé que la précision dépendait fortement des antibiotiques spécifiques utilisés comme point de départ pour la prédiction ; choisir le bon mélange de tests initiaux pouvait améliorer les performances de l'ordinateur.
En fin de compte, cette recherche démontre que l'intelligence artificielle peut apprendre le langage caché de la résistance bactérienne et l'utiliser pour offrir des prédictions utiles dans un cadre clinique. La méthode est prometteuse comme moyen d'accélérer les décisions de traitement, aidant potentiellement les médecins à choisir le bon antibiotique plus tôt. Cependant, l'étude précise également que la technologie n'est pas encore prête à diriger les opérations de manière autonome. Les erreurs qu'elle a commises, bien que moins de la moitié du temps, étaient suffisamment importantes pour nécessiter une supervision humaine. La voie à suivre consiste à affiner le système, peut-être en le nourrissant de données plus détaillées issues des tests de laboratoire plutôt que de simples résultats de réussite ou d'échec, et en continuant à l'instruire sur les diverses façons dont les bactéries évoluent. Pour l'instant, l'IA se présente comme un assistant sophistiqué, prêt à offrir un second avis, mais la décision finale repose toujours sur le médecin et le laboratoire.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.