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

In de onzichtbare wereld van het microscopische leven zijn bacteriën voortdurend aan het aanpassen. Wanneer ze worden blootgesteld aan medicijnen die ontworpen zijn om hen te doden, leren de sterkste overlevers te weerstaan en geven zij die verdediging door aan hun nakomelingen. Dit fenomeen, bekend als antimicrobiële resistentie, is een groeiende crisis die de dreiging vormt dat veelvoorkomende infecties moeilijk of zelfs onmogelijk te behandelen worden. Een grote zorg voor wetenschappers is hoe deze resistentie overspringt van dieren naar mensen. Op veel plaatsen gebruiken boeren antibiotica om pluimvee gezond te houden en hen te helpen groeien. Echter, sporen van deze medicijnen kunnen achterblijven in het vlees dat we eten. De heersende theorie is dat deze minuscule, overgebleven hoeveelheden medicijnen fungeren als een constante, laagwaardige druk op bacteriën zoals Salmonella, waardoor ze gedwongen worden om resistentie te ontwikkelen voordat ze ooit een menselijke gastheer bereiken. Als dit waar is, dan zou de hoeveelheid medicijnresten gevonden in een kip kunnen dienen als een vroeg waarschuwingssignaal voor de resistentieniveaus die we mogelijk zien bij zieke patiënten.

De uitdaging is dat het bewijzen van deze link ongelooflijk moeilijk is. Om dit te doen, zouden onderzoekers een specifiek stukje kip van een boerderij moeten volgen, de exacte hoeveelheid antibioticaresten daarin moeten meten, en vervolgens exact dezelfde stam bacteriën in een menselijke patiënt moeten vinden om te zien of diens infectie resistent is. Dergelijke perfect overeenkomende gegevens bestaan zelden in de echte wereld. Vanwege deze kloof koos een onderzoeker aan de Syrische Virtuele Universiteit, Yara Al-Hallak, voor een andere aanpak. In plaats van te wachten op gegevens die nog niet bestaan, bouwde zij een gecontroleerde, kunstmatige wereld in een computer om te testen of moderne hulpmiddelen de connectie zouden kunnen opsporen als die er was. Zij creëerde een simulatie van 2.500 hypothetische menselijke gevallen, elk gekoppeld aan een specifiek niveau van antibioticaresten in pluimvee. In dit digitale experiment programmeerde zij de regels zo dat hogere residuniveaus de kans op resistentie bij de bacteriën groter maakten, waarmee zij de biologische theorie nabootste die zij wilde testen. Vervolgens vroeg zij een computer om het patroon uit deze gegevens te leren, met behulp van een methode genaamd machine learning, die software in staat stelt complexe relaties te vinden zonder expliciet te worden verteld hoe het puzzelstukje op te lossen.

De studie richtte zich op vier veelvoorkomende antibiotica en vier verschillende regio's, waardoor een scenario ontstond waarin de computer moest beslissen of een menselijke infectie resistent was of niet, gebaseerd op het type medicijn, de locatie en de aanwezige hoeveelheid residu. Om de test realistisch en moeilijk te maken, ontwierp de onderzoeker de gegevens opzettelijk zo dat de medicijnniveaus in resistente en niet-resistente bacteriën aanzienlijk overlapten. Dit betekende dat de computer niet simpelweg naar één getal kon kijken en het antwoord kon raden; de computer moest de bredere relatie tussen het residu en de uitkomst begrijpen. De computer kreeg drie verschillende manieren om het probleem op te lossen: een eenvoudige methode die alleen naar het type medicijn en de locatie keek, een standaard statistische methode, en een geavanceerdere methode bekend als een Random Forest, die ontworpen is om complexe, niet-lineaire patronen te verwerken.

Toen de resultaten werden geanalyseerd, presteerde de eenvoudige methode die de residuniveaus negeerde niet beter dan willekeurig gokken, met een nauwkeurigheid van slechts ongeveer 63 procent. Dit bevestigde dat het weten van enkel het type antibioticum of de regio niet voldoende was om resistentie te voorspellen. Echter, toen de computer werd toegestaan om de werkelijke residuniveaus en de bacteriële gevoeligheidsgegevens voor medicijnen te gebruiken, sprong de prestatie spectaculair omhoog. Het meest geavanceerde model, de geoptimaliseerde Random Forest, identificeerde de uitkomst correct in bijna 80 procent van de gevallen. Het was bijzonder goed in het opsporen van de resistente gevallen, waarbij het ze in 91 procent van de gevallen correct signaleerde. De computer leerde ook de bewijslast correct te wegen; het bepaalde dat de hoeveelheid antibioticaresten de belangrijkste factor was, die de soort van het medicijn of de geografische locatie ver overtrof.

Om te garanderen dat de computer niet simpelweg de antwoorden uit het hoofd leerde, testten de onderzoekers het met een techniek die de gegevens in verschillende groepen splitst om te verifiëren of de resultaten consistent standhouden. Het model bleef stabiel en accuraat tijdens deze tests. Bovendien gebruikten de onderzoekers een hulpmiddel genaamd SHAP om in de "black box" van de besluitvorming van de computer te kijken. Dit hulpmiddel onthulde precies waarom de computer zijn keuzes maakte, waarbij het liet zien dat hoge residuniveaus de voorspelling consequent richting resistentie duwden, terwijl lage niveaus de voorspelling richting gevoeligheid duwden. Deze transparantie bewees dat het model de specifieke biologische regel leerde die in de simulatie was geprogrammeerd, in plaats van een willekeurige truc in de gegevens te vinden.

Ondanks deze successen komt de studie met een cruciale kanttekening. De gehele dataset was synthetisch; deze werd gecreëerd door regels, niet door echte patiënten of echte bacteriën te meten. Daarom bewijzen de resultaten niet dat antibioticaresten in pluimvee daadwerkelijk resistentie bij mensen veroorzaken. In plaats daarvan bewijzen ze dat de computer-pipeline die in de studie werd gebruikt, in staat is om een dergelijke link te vinden als die bestaat. Het onderzoek toont aan dat als wetenschappers er op een dag in zullen slagen om echte wereldgegevens te verzamelen die de link leggen tussen pluimveeresidu en menselijke klinische gevallen, dezezelfde methode gebruikt kan worden om risico's snel en uitlegbaar te screenen. Voor nu dient het werk als een bewijs van concept, dat aantoont dat de instrumenten klaar zijn voor de dag dat de echte gegevens beschikbaar komen om de volksgezondheid te beschermen.