Clinical evaluation of artificial intelligence for diagnostics of antibiotic-resistant bacteria
本研究は、臨床的な大腸菌尿路分離株における抗生物質感受性を予測するために欧州の監視データを用いて学習させたAIモデルを前向きに評価し、そのモデルは有望な性能を示したものの、現在は大幅なエラー率および標準的な感受性結果と人口統計学的結果を超えた追加の診断データの必要性によって、その臨床的有用性が制限されていることを見出した。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
医師が細菌感染症を治療するたびに、彼らは時間との戦いと生物学的なパズルに直面します。病気を引き起こしている細菌は、一般的な抗生物質に対して脆弱である可能性もあれば、それらの薬を無効にする防御機能を進化させている可能性もあります。これを解決するために、研究所では、異なる薬に細菌をさらして、どれが成長を阻止するかを確認するテストを行います。このプロセスは「薬剤感受性試験」として知られ、適切な治療法を選択するためのゴールドスタンダード（標準的な手法）です。しかし、細菌を培養してこれらのテストを実行するには時間がかかるため、感染の最初の数時間の重要な局面において、医師はどの薬が効くかを推測しなければならないことがよくあります。もし推測を誤れば、患者に苦痛を与え、細菌がさらに広がってしまう可能性があります。複数の薬に対して耐性を持つ細菌の出現は、この推測というゲームをより危険なものにしており、細菌が成長するよりも速く、これらのテストの結果を予測できるツールの切実なニーズを生み出しています。
このような背景の中で、スウェーデンの研究者たちは、新しい種類のデジタルアシスタントをテストすることに乗り出しました。彼らはシンプルかつ困難な問いを投げかけました。「もしコンピュータがある特定の細菌が少数の抗生物質に対してどのように反応するかをすでに知っているとしたら、その同じ細菌が、まだ見たことのない他の抗生物質に対してどのように反応するかを予測できるだろうか？」という問いです。このアイデアは、細菌がしばしば、複数の薬に対して一度に保護を与える防御メカニズムのグループを保持しているという事実に依拠しています。何百万もの過去のテスト結果のパターンを研究することで、人工知能システムはこれらの隠れたつながりを認識するように訓練されました。研究者たちは、このシステムが単にコンピュータ上の古いデータを用いるだけでなく、実際の病院の設定で、患者から採取された新鮮なサンプルを用いて機能するかどうかを確認したいと考えました。
チームは、尿路感染症によく見られる一般的な細菌の一種である大腸菌（E. coli）のサンプルを、ゴテボリの病院の患者から約100検体集めました。彼らは、さまざまな年齢や性別の人々、そしてさまざまなレベルの耐性を持つ細菌を含むグループであることを確実にしました。ラボでは、どの抗生物質が細菌を死滅させるかを正確に判断するために、標準的で時間のかかるテストをすべての細菌に対して行いました。これらの現実世界の（実験室での）結果は、コンピュータの推測を測定するための「真実」として機能しました。その後、人工知能には、各患者の年齢や性別といった少量の情報とともに、わずか4つから8つの抗生物質テストの結果が入力されました。そしてコンピュータは、まだテストされていない残りの抗生物質の結果を予測するよう求められました。
結果は、コンピュータが驚くほど正確な推測を行えることを示しました。システムに6種類の抗生物質の判定結果を与えたところ、残りの8種類の抗生物質の結果を約84パーセントのケースで正しく予測できました。これは、ほとんどの患者において、完全なラボテストが終わる前であっても、AIが医師に対してどの薬が効き、どの薬が効かないかを伝えることができることを意味しています。しかし、システムは完璧ではありませんでした。5件に1件程度の割合で、薬が効くはずなのに効かない、あるいはその逆といった重大な誤りを犯しました。これらの間違いはランダムに起こるものではなく、複雑または特異な耐性パターンを持つ、特に予測がより困難な特定の遺伝的防御機構を持つタイプの細菌において発生する傾向がありました。
このツールを実社会で使用する際に安全にするため、研究者たちは、自信が持てないときにコンピュータが「わかりません」と言える機能を加えました。システムが発言する前に非常に高い確信を持つように設定すると、間違いの数は大幅に減少しましたが、同時にコンピュータは約22パーセントのケースで回答を拒否しました。このトレードオフは、極めて重要な現実を浮き彫りにしています。つまり、このシステムは強力な助手ではあるものの、ラボのテストを完全に代替することはできないということです。システムは、細菌がコンピュータがこれまでに見たことがあるような挙動を示す場合にはうまく機能しますが、珍しい、あるいは複雑な防御機構を持つ場合には苦戦します。また、研究では、精度はどの特定の抗生物質を予測の出発点として使用するかによって大きく左右されることも判明しました。初期テストの組み合わせを適切に選ぶことで、コンピュータの性能を向上させることができます。
結局のところ、この研究は、人工知能が細菌の耐性の隠れた言語を学習し、臨床現場で有用な予測を提供できることを証明しています。この手法は、治療決定を迅速化し、医師がより早く適切な抗生物質を選択するのを助ける可能性のある有望な方法であることを示しています。しかし、この研究はまた、テクノロジーがまだ単独で主導権を握る準備ができているわけではないことも明確にしています。間違いの頻度は半分以下ではあるものの、人間による監視を必要とするほど重大なものでした。今後の課題は、単なる合格・不合格の結果だけでなく、ラボテストからのより詳細なデータをシステムに投入したり、細菌が進化する多様な方法について学習を続けたりすることによって、システムを洗練させていくことです。現時点では、AIは高度なアシスタントとして、セカンドオピニオンを提供する準備はできていますが、最終的な決定は依然として医師と検査室に委ねられています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。