Avanço na Previsão de Resistência a Antibióticos com MALDI-TOF MS

Identificar tipos de bactérias e fungos em um laboratório pode ser bem demorado e trabalhoso. É especialmente complicado diferenciar espécies que parecem ou agem de forma muito parecida. Nos últimos dez anos, muitos laboratórios começaram a usar um método chamado espectrometria de massa MALDI-TOF para essa identificação. Esse método já é considerado super confiável e quase substituiu os métodos de teste mais antigos. Como resultado, uma grande quantidade de dados de espectrometria de massa está sendo coletada em todo o mundo.

#Importância do MALDI-TOF MS

Pesquisas mostram que os dados da MALDI-TOF MS têm muita informação escondida, ou biomarcadores, que podem ajudar a identificar bactérias e fungos de forma mais profunda, até mesmo em níveis de subespécies. Esses marcadores ocultos também podem estar ligados a certas características das bactérias ou fungos, como se eles conseguem resistir a certos medicamentos. Saber como uma bactéria ou fungo específico reage a medicamentos é essencial para garantir que os pacientes recebam o tratamento certo. Atualmente, os médicos usam esse tipo de informação sobre as espécies para ajudar a escolher os antibióticos adequados com base em serem Gram-negativos ou Gram-positivos. No entanto, testes mais detalhados que mostram quão bem uma bactéria específica pode resistir a medicamentos levam mais tempo, porque envolvem cultivar bactérias com diferentes antibióticos, o que pode atrasar o tratamento em vários dias.

#Encontrando Informações de Resistência

A MALDI-TOF MS pode ajudar a identificar proteínas específicas relacionadas à resistência conhecida a antibióticos. Por exemplo, ela pode diferenciar certas cepas de bactérias que possuem genes de resistência específicos. Estudos mostraram que esse método também pode encontrar marcadores ligados à Resistência a Antibióticos em Staphylococcus aureus e outras bactérias. Isso levanta a possibilidade de que os dados da MALDI-TOF MS possam ser muito úteis para entender e prever resistência a antibióticos.

Recentemente, os pesquisadores começaram a usar aprendizado de máquina (ML) para analisar dados da MALDI-TOF MS e prever resistência a medicamentos. Essa tecnologia promete melhorar a rapidez das decisões de tratamento, o que é muito importante em ambientes hospitalares. No entanto, ainda existem desafios, como dados que podem não representar todos os tipos de bactérias de forma igual.

#Problemas de Dados em Laboratórios Clínicos

O jeito como as amostras clínicas são preparadas e testadas pode levar a uma representação desigual de certas bactérias e seus padrões de resistência. Por exemplo, laboratórios diferentes podem usar técnicas e equipamentos diferentes, o que pode afetar quais bactérias crescem bem. Alguns hospitais podem se focar principalmente nos patógenos mais comuns encontrados em seus pacientes, o que pode deixar de fora bactérias raras. A variação entre diferentes laboratórios e regiões pode dificultar o desenvolvimento de modelos de aprendizado de máquina confiáveis.

Para criar bons modelos de aprendizado de máquina que possam prever resistência a antibióticos com precisão, é importante considerar esses problemas com os dados clínicos. Modelos podem favorecer bactérias mais comuns, então um conjunto de dados desigual pode levar a resultados tendenciosos. Simplesmente ter uma alta pontuação de precisão pode não significar um bom desempenho em todos os tipos de bactérias. Assim, é necessário prestar atenção para garantir que cada tipo seja representado de forma justa para que os modelos funcionem bem para todas as bactérias.

#Conjunto de Dados MS-UMG

Na nossa pesquisa, nós reunimos um novo conjunto de dados que inclui informações de espectrometria de massa a partir de amostras clínicas coletadas do Centro Médico Universitário de Göttingen. Esse conjunto de dados inclui informações de mais de 77.000 espectros de massa coletados durante 2020 e 2021. Os dados cobrem uma ampla gama de espécies bacterianas e fúngicas, com informações correspondentes sobre como esses organismos respondem a vários antibióticos.

Para avaliar quão bem os modelos de aprendizado de máquina conseguem prever resistência a antibióticos usando esse novo conjunto de dados, comparamos vários modelos, incluindo regressão logística e modelos baseados em árvore. Analisamos especificamente três bactérias importantes: Escherichia Coli, Klebsiella Pneumoniae e Staphylococcus aureus. O objetivo era ver como os modelos se saíram na previsão de resistência a medicamentos para essas bactérias.

#Analisando o Desempenho

Nossos modelos mostraram um bom desempenho ao prever resistência para E. coli e K. pneumoniae. No entanto, quando se tratou de S. aureus, os modelos enfrentaram dificuldades com certas medidas de antibióticos. Isso pode ser porque os dados de treinamento não diferenciaram claramente os vários mecanismos de resistência em jogo. Com S. aureus, a resistência pode ocorrer por várias razões, como mudanças na capacidade da bactéria de absorver o medicamento ou alterações no alvo do medicamento.

Para avaliar quanta informação os dados de espectrometria de massa traziam, analisamos diferentes faixas de massa. Dividimos os dados de espectrometria de massa em partes menores para ver quais faixas forneciam as informações mais úteis para prever resistência. Os resultados mostraram que dados de faixas de massa mais baixas levaram a previsões melhores do que de faixas mais altas, sugerindo que a informação mais relevante para prever resistência está concentrada nessas áreas de massa mais baixas.

#Impacto dos Métodos de Cultura

Nós também examinamos como os métodos usados para cultivar as bactérias influenciaram as previsões dos modelos de aprendizado de máquina. Os dados de espectrometria de massa vieram de dois tipos principais de técnicas de cultura: ágar comum e um processo de triagem especial. O método de triagem foi mais focado em encontrar cepas resistentes a antibióticos. Descobrimos que quando os modelos foram treinados usando dados do método de triagem, eles apresentaram um desempenho melhor na previsão de resistência. Isso sugere que a natureza tendenciosa dos dados de triagem aprimorou as habilidades preditivas do modelo.

#Comparando Conjuntos de Dados

Em nossas comparações com outros conjuntos de dados existentes, percebemos que o desempenho caiu quando removemos os dados de triagem dos nossos modelos. Isso indica que o processo de triagem melhorou significativamente a capacidade dos modelos de fazer previsões precisas sobre resistência a antibióticos. No entanto, quando focamos nos dados de ágar comum, notamos uma melhora na generalização entre os conjuntos de dados, sugerindo que uma abordagem mais equilibrada usando ágar comum pode ajudar o modelo a captar características mais gerais.

#Importância de Recursos e Viés de Dados

Para entender melhor como os vieses nos dados afetaram nossas previsões, examinamos a importância de diferentes recursos usando um método chamado análise de Shapley. Essa análise nos ajudou a identificar quais pontos de dados foram mais influentes nas previsões do modelo. Descobrimos que os padrões identificados em amostras de triagem tiveram um impacto significativo no desempenho do modelo. Isso indica que o modelo estava focando em dados que eram fortemente tendenciosos em direção à resistência a antibióticos, o que pode não ser tão útil para previsões gerais.

Os recursos que eram importantes variaram dependendo de usarmos dados de ágar comum ou de triagem para treinamento. Isso sugere que treinar em diferentes tipos de dados pode levar a diferentes insights e previsões. Identificar quais recursos específicos são influentes ajuda a melhorar os modelos no futuro.

#Conclusão

Neste trabalho, apresentamos um grande conjunto de dados de MALDI-TOF MS que pode possibilitar mais pesquisas em métodos melhores para prever resistência a antibióticos. Nossas descobertas sugerem que o aprendizado de máquina pode desempenhar um papel significativo na tomada de decisões clínicas relacionadas ao uso de antibióticos. No entanto, desafios como o desequilíbrio de dados devem ser enfrentados para desenvolver modelos que possam prever com precisão a resistência em várias cepas de bactérias. O objetivo final é melhorar os resultados dos pacientes otimizando a terapia com antibióticos com base em informações precisas sobre a resistência bacteriana.