Predicción de la resistencia a los antimicrobianos usando aprendizaje automático

La Resistencia a los antimicrobianos (RAM) es un problema creciente en todo el mundo. Ocurre cuando los gérmenes cambian y los antibióticos y otros medicamentos ya no funcionan contra ellos. Esto puede llevar a problemas de salud más graves y mayores tasas de mortalidad, especialmente cuando las personas tienen infecciones en el torrente sanguíneo. Estas infecciones son serias y a menudo necesitan atención hospitalaria. Muchos hospitales monitorean cuán resistentes se vuelven los gérmenes a los tratamientos, pero esto es más fácil en países ricos que en los pobres, donde las capacidades de prueba son limitadas.

Predecir qué gérmenes se volverán más resistentes puede ayudar a los hospitales a dirigir mejor los tratamientos y a usar sus recursos de manera efectiva. Aunque observar factores individuales, como la edad o el género del paciente, es importante, los hospitales suelen encontrar más sencillo mirar tendencias generales a lo largo del tiempo. Las recomendaciones para tratamientos suelen aplicarse a todos los pacientes en un hospital, en lugar de dirigirse a individuos.

#La relación entre el Uso de antibióticos y la resistencia

Es bien sabido que el uso de antibióticos lleva a la resistencia. Muchos estudios han mostrado una conexión entre cuánto se usan los antibióticos y cuántos gérmenes resistentes se encuentran. Por ejemplo, los países que usan más antibióticos tienden a tener más gérmenes resistentes. Algunos estudios también han demostrado que cuando los hospitales reducen el uso de antibióticos, la tasa de resistencia puede bajar.

Sin embargo, puede haber excepciones. Por ejemplo, usar más nitrofurantoína, un antibiótico, no cambió su resistencia en infecciones de E. coli, pero sí resultó en menos resistencia a otro antibiótico, trimetoprim. Este rompecabezas se explica en parte por la genética de los gérmenes involucrados.

Investigaciones recientes examinaron la relación entre el uso de antibióticos y la resistencia en varios países europeos a lo largo de múltiples años. Los hallazgos mostraron que el aumento en el uso de antibióticos llevó a incrementos inmediatos y duraderos en gérmenes resistentes. Pero cuando se redujo el uso de antibióticos, hubo poco cambio en la resistencia durante varios años. Sorprendentemente, el uso de antibióticos en países vecinos también influyó en los niveles de resistencia.

#Aprendizaje automático en la predicción de resistencia

A pesar de la valiosa información obtenida de estudios tradicionales, no se ha utilizado mucho el aprendizaje automático para predecir patrones de resistencia a nivel de hospitales individuales o grupos de hospitales. Un estudio exploró el uso de una red neuronal simple para observar tendencias, pero solo se centró en un tipo de infección a la vez.

En Inglaterra, los hospitales se organizan en grupos llamados Trusts, que pueden servir la misma área pero tienen diferentes políticas de antibióticos. La mayoría de las investigaciones hasta ahora se han centrado en tipos únicos de gérmenes. Este estudio tiene como objetivo predecir la resistencia en Trusts utilizando todos los datos disponibles, como el uso pasado de antibióticos y las tasas de resistencia para diferentes combinaciones de gérmenes y antibióticos.

La investigación investiga si un modelo de aprendizaje automático llamado XGBoost puede funcionar mejor que métodos de predicción más simples. XGBoost podría ayudar a encontrar patrones complejos entre diferentes antibióticos y gérmenes, lo que podría ayudar a predecir mejor la resistencia futura.

#Recolección de datos

Los datos sobre la resistencia a los antibióticos en el Reino Unido se recopilaron de una gran base de datos que contiene resultados de laboratorio de casi todos los hospitales en Inglaterra. El estudio se centró en diferentes gérmenes que causan infecciones en el torrente sanguíneo y varias combinaciones de antibióticos contra las que son probados. Esto incluyó gérmenes comunes como E. coli y Klebsiella, junto con sus patrones de resistencia a lo largo de varios años.

También se recopilaron datos sobre el uso de antibióticos, rastreando cuánto de cada antibiótico se recetó en Trusts a lo largo del tiempo. Para hacer las comparaciones justas, el uso se estandarizó según el número de camas hospitalarias ocupadas. Incluso con algunos huecos en los datos, se analizaron tendencias generales.

El objetivo principal era predecir la resistencia futura basado en datos de uso y resistencia pasados. Se construyeron modelos por separado para cada combinación de gérmenes y antibióticos, pero se incluyó información de todos los antibióticos y combinaciones de gérmenes para proporcionar una visión más completa. El estudio también evaluó qué tan bien funcionó el modelo en comparación con métodos más simples que solo usaron datos de resistencia pasados.

#Predicción de resistencia

El estudio buscaba predecir la resistencia a los antibióticos para cada Trust basado en datos históricos. Se dividieron los datos en conjuntos de entrenamiento (para construir los modelos) y conjuntos de prueba (para evaluar su rendimiento). Los niveles de resistencia del año anterior se utilizaron para ayudar a predecir los niveles del año actual, junto con datos sobre el uso de antibióticos.

Se eligió XGBoost porque puede aprender relaciones complejas entre diferentes factores. Los investigadores querían ver si incluir datos de diferentes años y clases de antibióticos mejoraría las predicciones. Usaron validación cruzada para ajustar el modelo y medir su rendimiento.

Los investigadores querían entender cuánto podría mejorar el modelo las predicciones, especialmente en Trusts donde se presentaron cambios significativos en la resistencia. El estudio evaluó qué tan bien funcionó el modelo al comparar resultados entre diferentes Trusts y combinaciones de patógenos y antibióticos.

#Los resultados

El análisis mostró que las tasas de resistencia variaron entre diferentes Trusts y tipos de gérmenes. Sin embargo, los cambios en la resistencia de un año a otro a menudo fueron pequeños. El cambio mediano general en resistencia para muchas combinaciones estuvo por debajo del 1%. En la mayoría de los Trusts, las diferencias fueron limitadas, incluso al observar años individuales.

Al centrarse en Trusts con cambios más grandes, el modelo XGBoost superó a métodos más simples en casi todos los casos. La investigación reveló que observar múltiples factores y sus relaciones permitió mejores predicciones en Trusts donde los niveles de resistencia fluctuaban más ampliamente.

Los niveles de resistencia previos, junto con los datos de uso de antibióticos, se ubicaron entre los factores más cruciales para predecir la resistencia futura. Esto mostró que el modelo capturó efectivamente relaciones complejas entre diferentes antibióticos y gérmenes.

#Importancia de predecir resistencia

Si bien la resistencia a los antibióticos es un problema crítico, los hallazgos sugieren que es posible desarrollar modelos que puedan predecir cambios de manera efectiva. Al comprender cómo responden diferentes Trusts al uso de antibióticos, los hospitales podrían dirigir mejor sus intervenciones y recursos.

A pesar de la estabilidad general en las tasas de resistencia, algunos Trusts mostraron cambios significativos. En estos casos, tener un modelo predictivo podría llevar a acciones oportunas que podrían ayudar a prevenir una mayor resistencia.

La investigación enfatizó la necesidad de considerar relaciones complejas entre varios antibióticos y mecanismos de resistencia. Al capturar estas interacciones, el modelo puede proporcionar predicciones más precisas de las tasas de resistencia futuras.

#Conclusión

La resistencia a los antimicrobianos es un problema de salud global urgente, y entender su dinámica es vital. Este estudio destaca el potencial de usar aprendizaje automático para predecir patrones de resistencia en hospitales, permitiendo una mejor gestión del uso de antibióticos y tratamientos más efectivos para los pacientes.

Rastrear el uso de antibióticos y la resistencia a nivel hospitalario puede ayudar a informar decisiones de salud pública y mejorar la atención al paciente. Los trabajos futuros no solo deberían incluir datos de hospitales, sino también considerar el uso de antibióticos en la comunidad y factores agrícolas. Con una consideración cuidadosa, estos modelos podrían jugar un papel crucial en prevenir el aumento de la resistencia a los antimicrobianos, salvando vidas y mejorando los resultados de salud.