Prevendo a Resistência Antimicrobiana Usando Aprendizado de Máquina

A Resistência Antimicrobiana (RAM) é um problema crescente no mundo todo. Ela acontece quando os germes mudam, fazendo com que os antibióticos e outros remédios não funcionem mais contra eles. Isso pode levar a problemas de saúde mais graves e taxas de morte mais altas, especialmente quando as pessoas têm infecções na corrente sanguínea. Essas infecções são sérias e geralmente precisam de cuidado hospitalar. Muitos hospitais monitoram como os germes se tornam resistentes aos tratamentos, mas isso é mais fácil em países ricos do que em países pobres, onde a capacidade de testar é limitada.

Prever quais germes vão se tornar mais resistentes pode ajudar os hospitais a direcionar melhor os tratamentos e usar seus recursos de forma eficaz. Enquanto olhar para fatores individuais, como idade ou gênero do paciente, é importante, os hospitais geralmente acham mais simples observar as tendências gerais ao longo do tempo. As recomendações de tratamentos geralmente se aplicam a todos os pacientes do hospital, em vez de focar em indivíduos.

#A Conexão Entre o Uso de Antibióticos e a Resistência

É bem conhecido que o uso de antibióticos leva à resistência. Muitos estudos mostraram uma conexão entre quanto antibióticos são usados e quantos germes resistentes são encontrados. Por exemplo, países que usam mais antibióticos tendem a ter mais germes resistentes. Alguns estudos também mostraram que quando os hospitais reduzem o uso de antibióticos, a taxa de resistência pode cair.

No entanto, pode haver exceções. Por exemplo, usar mais nitrofurantoína, um antibiótico, não mudou sua resistência em infecções por E. coli, mas resultou em menos resistência a outro antibiótico, trimetoprima. Esse quebra-cabeça é parcialmente explicado pela genética dos germes envolvidos.

Pesquisas recentes analisaram a relação entre o uso de antibióticos e resistência em vários países europeus ao longo de vários anos. Os resultados mostraram que o aumento no uso de antibióticos levou a aumentos imediatos e duradouros em germes resistentes. Mas quando o uso de antibióticos foi reduzido, houve pouca mudança na resistência por vários anos. Surpreendentemente, o uso de antibióticos em países vizinhos também influenciou os níveis de resistência.

#Aprendizado de Máquina na Previsão de Resistência

Apesar das informações valiosas obtidas a partir de estudos tradicionais, não houve muito uso de aprendizado de máquina para prever padrões de resistência no nível de hospitais individuais ou grupos de hospitais. Um estudo explorou o uso de uma rede neural simples para observar tendências, mas se concentrou apenas em um tipo de infecção por vez.

Na Inglaterra, os hospitais são organizados em grupos chamados Trusts, que podem atender a mesma área, mas têm políticas de antibióticos diferentes. A maioria das pesquisas até agora se concentrou em tipos únicos de germes. Este estudo tem como objetivo prever a resistência nos Trusts usando todos os dados disponíveis, como uso passado de antibióticos e taxas de resistência para diferentes combinações de germes e antibióticos.

A pesquisa investiga se um modelo de aprendizado de máquina chamado XGBoost pode ser mais eficaz do que métodos de previsão mais simples. O XGBoost poderia ajudar a encontrar padrões complexos entre diferentes antibióticos e germes, o que pode ajudar na melhor previsão da resistência futura.

#Coleta de Dados

Os dados sobre resistência a antibióticos no Reino Unido foram coletados de um grande banco de dados contendo resultados de laboratório de quase todos os hospitais da Inglaterra. O estudo se concentrou em diferentes germes que causam infecções na corrente sanguínea e várias combinações de antibióticos contra as quais eles são testados. Isso incluiu germes comuns como E. coli e Klebsiella, junto com seus padrões de resistência ao longo de vários anos.

Dados sobre o uso de antibióticos também foram coletados, rastreando quanto de cada antibiótico foi prescrito nos Trusts ao longo do tempo. Para tornar as comparações justas, o uso foi padronizado com base no número de leitos hospitalares ocupados. Mesmo com algumas lacunas nos dados, as tendências gerais foram analisadas.

O principal objetivo era prever a resistência futura com base nos dados de uso e resistência passados. Os modelos foram construídos separadamente para cada combinação de germes e antibióticos, mas incluíram informações de todos os antibióticos e combinações de germes para fornecer uma visão mais abrangente. O estudo também avaliou o desempenho do modelo em comparação com métodos mais simples que usavam apenas dados de resistência passados.

#Previsão de Resistência

O estudo visava prever a resistência a antibióticos para cada Trust com base em dados históricos. Ele dividiu os dados em conjuntos de treinamento (para construir os modelos) e testes (para avaliar seu desempenho). Os níveis de resistência do ano anterior foram usados para ajudar a prever os níveis do ano atual, junto com dados sobre o uso de antibióticos.

O XGBoost foi escolhido porque pode aprender relações complexas entre diferentes fatores. Os pesquisadores queriam ver se incluir dados de diferentes anos e classes de antibióticos melhoraria as previsões. Eles usaram validação cruzada para ajustar o modelo e medir seu desempenho.

Os pesquisadores queriam entender o quanto o modelo poderia melhorar as previsões, especialmente em Trusts onde mudanças significativas na resistência estavam presentes. O estudo avaliou quão bem o modelo funcionou comparando resultados em vários Trusts e combinações de patógenos e antibióticos.

#Os Resultados

A análise mostrou que as taxas de resistência variavam entre diferentes Trusts e tipos de germes. No entanto, as mudanças na resistência de ano para ano eram frequentemente pequenas. A mudança mediana geral na resistência para muitas combinações foi abaixo de 1%. Na maioria dos Trusts, as diferenças foram limitadas, mesmo ao olhar para anos individuais.

Quando se focou em Trusts com mudanças maiores, o modelo XGBoost superou métodos mais simples em quase todos os casos. A pesquisa revelou que observar múltiplos fatores e suas relações permitiu previsões melhores em Trusts onde os níveis de resistência flutuavam mais amplamente.

Os níveis de resistência anteriores, junto com dados de uso de antibióticos, estavam entre os fatores mais cruciais para prever a resistência futura. Isso mostrou que o modelo capturou efetivamente relações complexas entre diferentes antibióticos e germes.

#Importância de Prever Resistência

Embora a resistência a antibióticos seja uma questão crítica, os achados sugerem que é possível desenvolver modelos que podem prever mudanças de forma eficaz. Ao entender como diferentes Trusts respondem ao uso de antibióticos, os hospitais poderiam direcionar melhor suas intervenções e recursos.

Apesar da estabilidade geral nas taxas de resistência, alguns Trusts mostraram mudanças significativas. Nesses casos, ter um modelo preditivo poderia levar a ações em tempo hábil que poderiam ajudar a prevenir mais resistência.

A pesquisa enfatizou a necessidade de considerar as relações complexas entre vários antibióticos e mecanismos de resistência. Capturando essas interações, o modelo pode fornecer previsões mais precisas sobre as taxas de resistência futuras.

#Conclusão

A resistência antimicrobiana é uma questão urgente de saúde pública global, e entender sua dinâmica é vital. Este estudo destaca o potencial de usar aprendizado de máquina para prever padrões de resistência em hospitais, permitindo uma melhor gestão do uso de antibióticos e tratamentos mais eficazes para os pacientes.

Acompanhar o uso de antibióticos e resistência em nível hospitalar pode ajudar a informar decisões de saúde pública e melhorar o atendimento ao paciente. Trabalhos futuros não devem incluir apenas dados de hospitais, mas também considerar o uso de antibióticos na comunidade e fatores agrícolas. Com consideração cuidadosa, esses modelos podem desempenhar um papel crucial na prevenção do aumento da resistência antimicrobiana, salvando vidas e melhorando os resultados de saúde.