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

No mundo invisível da vida microscópica, as bactérias estão constantemente se adaptando. Quando são expostas a medicamentos projetados para matá-las, os sobreviventes mais fortes aprendem a resistir, passando essas defesas para seus descendentes. Este fenômeno, conhecido como resistência antimicrobiana, é uma crise crescente que ameaça tornar infecções comuns difíceis ou impossíveis de tratar. Uma grande preocupação para os cientistas é como essa resistência se espalha dos animais para os seres humanos. Em muitos lugares, os agricultores usam antibióticos para manter as aves saudáveis e ajudá-las a crescer. No entanto, traços desses medicamentos podem permanecer na carne que comemos. A teoria predominante é que essas quantidades minúsculas e remanescentes de medicamento atuam como uma pressão constante e de baixo nível sobre bactérias como a Salmonella, forçando-as a evoluir a resistência antes mesmo de chegarem a um hospedeiro humano. Se isso for verdade, então a quantidade de resíduo de medicamento encontrada em um frango poderia servir como um sinal de alerta precoce para os níveis de resistência que poderíamos ver em pacientes doentes.

O desafio é que provar esse vínculo é incrivelmente difícil. Para fazê-lo, os pesquisadores precisariam rastrear um pedaço específico de frango de uma fazenda, medir a quantidade exata de resíduo de antibiótico dentro dele e, em seguida, encontrar a mesma linhagem exata de bactéria em um paciente humano para ver se a infecção dessa pessoa é resistente. Dados perfeitamente combinados como esses raramente existem no mundo real. Devido a essa lacuna, uma pesquisadora da Universidade Virtual da Síria, Yara Al-Hallak, adotou uma abordagem diferente. Em vez de esperar por dados que ainda não existem, ela construiu um mundo artificial controlado dentro de um computador para testar se as ferramentas modernas poderiam detectar a conexão, caso ela existisse. Ela criou uma simulação de 2.500 casos humanos hipotéticos, cada um vinculado a um nível específico de resíduo de antibiótico em aves. Neste experimento digital, ela programou as regras para que níveis mais altos de resíduo tornassem as bactérias mais propensas à resistência, mimetizando a teoria biológica que ela queria testar. Ela então pediu a um computador que aprendesse o padrão a partir desses dados, usando um método chamado aprendizado de máquina (machine learning), que permite ao software encontrar relações complexas sem ser explicitamente instruído sobre como resolver o enigma.

O estudo focou em quatro antibióticos comuns e quatro regiões diferentes, criando um cenário onde o computador tinha que decidir se uma infecção humana era resistente ou não, baseando-se no tipo de droga, na localização e na quantidade de resíduo presente. Para tornar o teste realista e difícil, a pesquisadora projetou intencionalmente os dados de modo que os níveis de droga em bactérias resistentes e não resistentes se sobrepusessem significativamente. Isso significava que o computador não poderia simplesmente olhar para um único número e adivinhar a resposta; ele teria que entender a relação mais ampla entre o resíduo e o resultado. O computador recebeu três maneiras diferentes de resolver o problema: um método simples que olhava apenas para o tipo de droga e localização, um método estatístico padrão e um método mais avançado conhecido como Random Forest, que é projetado para lidar com padrões complexos e não lineares.

Quando os resultados foram analisados, o método simples que ignorava os níveis de resíduo não teve um desempenho melhor do que o acaso, alcançando apenas cerca de 63 por cento de precisão. Isso confirmou que saber apenas o tipo de antibiótico ou a região não era suficiente para prever a resistência. No entanto, quando o computador pôde usar os níveis reais de resíduo e os dados de sensibilidade de drogas das bactérias, seu desempenho saltou dramaticamente. O modelo mais avançado, o Random Forest otimizado, identificou corretamente o resultado em quase 80 por cento dos casos. Ele foi particularmente bom em detectar os casos resistentes, sinalizando-os corretamente 91 por cento das vezes. O computador também aprendeu a pesar as evidências corretamente; determinou que a quantidade de resíduo de antibiótico era o fator mais importante, superando de longe o tipo de droga ou a localização geográfica.

Para garantir que o computador não estivesse apenas memorizando as respostas, os pesquisadores testaram-no usando uma técnica que divide os dados em diferentes grupos para verificar se os resultados se mantêm consistentes. O modelo permaneceu estável e preciso através desses testes. Além disso, os pesquisadores usaram uma ferramenta chamada SHAP para olhar dentro da "caixa preta" da tomada de decisão do computador. Essa ferramenta revelou exatamente por que o computador fez suas escolhas, mostrando que níveis altos de resíduo consistentemente empurravam a previsão para a resistência, enquanto níveis baixos a empurravam para a suscetibilidade. Essa transparência provou que o modelo estava aprendendo a regra biológica específica que foi programada na simulação, em vez de encontrar um truque aleatório nos dados.

Apesar desses sucessos, o estudo vem com uma ressalva crucial. Todo o conjunto de dados era sintético; foi criado por regras, não por medições de pacientes reais ou bactérias reais. Portanto, os resultados não provam que os resíduos de antibióticos em aves estão de fato causando resistência em humanos. Em vez disso, eles provam que o pipeline computacional usado no estudo é capaz de encontrar tal ligação, se ela existir. A pesquisa demonstra que, se os cientistas puderem um dia reunir dados do mundo real que liguem os níveis de resíduo de aves a casos clínicos humanos, este mesmo método poderá ser usado para realizar triagens de riscos de forma rápida e explicável. Por enquanto, o trabalho serve como uma prova de conceito, mostrando que as ferramentas estão prontas para o dia em que os dados reais estiverem disponíveis para ajudar a proteger a saúde pública.