Predicting Human Salmonella Antimicrobial Resistance from Poultry Antibiotic Residues: A Simulation-Based Machine Learning Proof-of-Concept with One Health Integration

Nel mondo invisibile della vita microscopica, i batteri si adattano costantemente. Quando vengono esposti a medicinali progettati per ucciderli, i sopravvissuti più forti imparano a resistere, trasmettendo tali difese alla loro prole. Questo fenomeno, noto come resistenza antimicrobica, è una crisi crescente che minaccia di rendere le comuni infezioni difficili o impossibili da trattare. Una grande preoccupazione per gli scienziati è come questa resistenza si diffonda dagli animali alle persone. In molti luoghi, gli agricoltori utilizzano antibiotici per mantenere sani i volatili da carne e aiutarli a crescere. Tuttavia, tracce di questi farmaci possono rimanere nella carne che mangiamo. La teoria prevalente è che questi minuscoli, residui di medicinali agiscano come una pressione costante e di basso livello su batteri come la Salmonella, costringendoli a evolvere la resistenza prima ancora di raggiungere un ospite umano. Se questo è vero, allora la quantità di residuo farmacologico trovata in un pollo potrebbe servire come segnale di allerta precoce per i livelli di resistenza che potremmo vedere nei pazienti malati.

La sfida è che dimostrare questo legame è incredibilmente difficile. Per farlo, i ricercatori dovrebbero tracciare un pezzo specifico di pollo da un allevamento, misurare l'esatta quantità di residuo antibiotico al suo interno e poi trovare lo stesso identico ceppo di batteri in un paziente umano per vedere se la sua infezione è resistente. Tali dati perfettamente corrispondenti raramente esistono nel mondo reale. A causa di questo divario, una ricercatrice della Syrian Virtual University, Yara Al-Hallak, ha adottato un approccio diverso. Invece di aspettare dati che non esistono ancora, ha costruito un mondo artificiale controllato all'interno di un computer per testare se gli strumenti moderni potessero individuare la connessione, qualora fosse presente. Ha creato una simulazione di 2.500 casi umani ipotetici, ciascuno collegato a un livello specifico di residuo antibiotico negli avicoli. In questo esperimento digitale, ha programmato le regole in modo che livelli di residuo più elevati rendessero i batteri più propensi alla resistenza, imitando la teoria biologica che voleva testare. Ha poi chiesto a un computer di apprendere il modello da questi dati, utilizzando un metodo chiamato machine learning, che permette al software di trovare relazioni complesse senza essere esplicitamente istruito su come risolvere l'enigma.

Lo studio si è concentrato su quattro antibiotici comuni e quattro regioni diverse, creando uno scenario in cui il computer doveva decidere se un'infezione umana fosse resistente o meno in base al tipo di farmaco, alla località e alla quantità di residuo presente. Per rendere il test realistico e difficile, la ricercatrice ha intenzionalmente progettato i dati in modo che i livelli di farmaco nei batteri resistenti e non resistenti si sovrapponessero significativamente. Ciò significava che il computer non poteva semplicemente guardare un singolo numero e indovinare la risposta; doveva comprendere la relazione più ampia tra il residuo e l'esito. Al computer sono stati dati tre diversi modi per risolvere il problema: un metodo semplice che guardava solo il tipo di farmaco e la località, un metodo statistico standard e un metodo più avanzato noto come Random Forest, progettato per gestire schemi complessi e non lineari.

Quando i risultati sono stati analizzati, il metodo semplice che ignorava i livelli di residuo non si è comportato meglio di un tentativo casuale, raggiungendo un'accuratezza di circa il 63 percento. Ciò ha confermato che conoscere solo il tipo di antibiotico o la regione non era sufficiente per prevedere la resistenza. Tuttavia, quando al computer è stato permesso di utilizzare i reali livelli di residuo e i dati di sensibilità ai farmaci dei batteri, le sue prestazioni sono aumentate drasticamente. Il modello più avanzato, l'ottimizzato Random Forest, ha identificato correttamente l'esito in quasi l'80 percento dei casi. È stato particolarmente bravo a individuare i casi di resistenza, segnalandoli correttamente il 91 percento delle volte. Il computer ha anche imparato a pesare correttamente le prove; ha determinato che la quantità di residuo antibiotico era il fattore singolo più importante, superando di gran lunga il tipo di farmaco o la posizione geografica.

Per garantire che il computer non stesse semplicemente memorizzando le risposte, i ricercatori hanno testato il modello utilizzando una tecnica che suddivide i dati in gruppi diversi per verificare che i risultati rimangano coerenti. Il modello è rimasto stabile e accurato attraverso questi test. Inoltre, i ricercatori hanno utilizzato uno strumento chiamato SHAP per guardare dentro la "scatola nera" del processo decisionale del computer. Questo strumento ha rivelato esattamente perché il computer prendeva le sue scelte, mostrando che alti livelli di residuo spingevano costantemente la previsione verso la resistenza, mentre bassi livelli la spingevano verso la suscettibilità. Questa trasparenza ha dimostrato che il modello stava imparando la specifica regola biologica che era stata programmata nella simulazione, piuttosto che trovare un trucco casuale nei dati.

Nonostante questi successi, lo studio presenta un avviso cruciale. L'intero set di dati era sintetico; è stato creato tramite regole, non misurando pazienti reali o batteri reali. Pertanto, i risultati non dimostrano che i residui di antibiotici negli avicoli stiano effettivamente causando resistenza negli esseri umani. Inveve, dimostrano che la pipeline informatica utilizzata nello studio è capace di trovare un tale legame, se esiste. La ricerca dimostra che se un giorno gli scienziati riusciranno a raccogliere dati reali che collegano i livelli di residuo negli avicoli ai casi clinici umani, questo stesso metodo potrà essere utilizzato per monitorare i rischi in modo rapido e spiegabile. Per ora, il lavoro rappresenta una prova di concetto, mostrando che gli strumenti sono pronti per il giorno in cui i dati reali saranno disponibili per aiutare a proteggere la salute pubblica.