Clinical evaluation of artificial intelligence for diagnostics of antibiotic-resistant bacteria
这项研究前瞻性地评估了一个基于欧洲监测数据训练的、用于预测临床大肠埃希菌尿路分离株抗生素敏感性的人工智能模型，发现尽管该模型表现出良好的潜力，但由于存在显著的误差率以及需要除标准敏感性和人口统计学结果之外的其他诊断数据，其目前的临床应用价值仍然有限。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
每当医生治疗细菌感染时，他们都面临着一场与时间的赛跑和一场生物学的解谜。引起疾病的细菌可能对某种常用抗生素很脆弱，也可能已经进化出了使这些药物失效的防御机制。为了解决这个问题，实验室会进行一种测试，将细菌暴露在不同的药物中，以观察哪些药物能抑制其生长。这个过程被称为抗生素敏感性测试，是选择正确治疗方案的金标准。然而，培养细菌并进行这些测试需要时间，而在感染发生的最初几个关键小时内，医生通常必须猜测哪种药物会奏效。如果猜错了，患者可能会遭受痛苦，细菌也可能进一步扩散。多重耐药细菌的兴起使得这种猜测游戏变得更加危险，从而产生了对能够比细菌生长速度更快地预测测试结果的工具的迫切需求。
在此背景下，瑞典的研究人员着手测试一种新型的数字助手。他们提出了一个简单但困难的问题：如果计算机已经知道特定细菌对几种抗生素的反应，它能否预测同一种细菌对从未见过的其他抗生素的反应？这个想法基于这样一个事实：细菌通常携带一组防御机制，可以同时保护它们免受多种药物的侵害。通过研究数百万个过往测试结果中的模式，人工智能系统被训练用来识别这些隐藏的联系。研究人员想看看这个系统是否可以在真实的医院环境中发挥作用，即使用来自患者的新鲜样本，而不仅仅是基于计算机收集的旧数据。
团队从哥德堡一家医院的患者那里收集了近一百份大肠杆菌（一种常见的尿路感染细菌）样本。他们确保样本组涵盖了不同年龄和性别的广泛人群，以及具有不同耐药水平的细菌。在实验室中，他们对所有细菌进行了标准的、缓慢的测试，以确定哪些抗生素能杀死它们。这些真实世界的结果作为衡量计算机猜测准确性的“真相”。随后，人工智能被输入了关于每位患者的少量信息（如年龄和性别），以及仅有的四到八项抗生素测试结果。接着，计算机被要求预测剩余尚未进行测试的抗生素的结果。
结果显示，计算机能够做出令人惊讶的准确猜测。当系统获得六种抗生素的结果时，它能在约 84% 的案例中正确预测其他八种抗生素的结果。这意味着对于大多数患者，即使在完整的实验室测试完成之前，人工智能也能告诉医生哪些药物有效，哪些无效。然而，该系统并非完美无缺。在大约五分之一的案例中，它会出现显著错误，即预测某种药物有效但实际上无效，或反之亦然。这些错误并非随机发生的；它们往往发生在具有复杂或异常耐药模式的特定类型细菌上，特别是那些携带难以预测的特定遗传防御机制的细菌。
为了使该工具在实际应用中更加安全，研究人员添加了一个功能，允许计算机在信心不足以做出猜测时说“我不知道”。当他们将计算机设置为在发言前必须具备极高的确定性时，错误数量显著下降，但计算机也会在约 22% 的案例中拒绝给出答案。这种权衡凸显了一个关键现实：该系统是一个强大的助手，但它不能完全取代实验室测试。它在细菌行为符合计算机已知模式时表现最好，但在面对具有罕见或复杂防御机制的细菌时则会感到吃力。研究还发现，准确性在很大程度上取决于作为预测起点的特定抗生素组合；选择合适的初始测试组合可以提高计算机的性能。
最终，这项研究证明了人工智能可以学习细菌耐药性的隐藏语言，并利用它在临床环境中提供有用的预测。该方法展示了作为一种加速治疗决策手段的前景，有望帮助医生更早地选择正确的抗生素。然而，研究也明确指出，这项技术尚未准备好独立掌控全局。它所犯的错误虽然发生频率不到一半，但足以需要人工监督。未来的发展方向包括完善该系统，例如向其输入来自实验室测试更详细的数据，而非仅仅是简单的通过或失败结果，并持续教导它关于细菌进化的多样化方式。目前，人工智能作为一个精密的助手，随时准备提供第二种意见，但最终的决定权仍掌握在医生和实验室手中。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。