Kunstig intelligens kan udvikle behandlinger til at forhindre 'superbakterier'

Forskere ved Cleveland Clinic har udviklet en model for kunstig intelligens (AI), der kan bestemme den bedste kombination og timing af lægemidler til behandling af en bakteriel infektion udelukkende baseret på bakteriens vækstrate under visse betingelser. Holdet, ledet af Dr. Jacob Scott og hans laboratorium i den teoretiske afdeling for translationel hæmatologi og onkologi, offentliggjorde for nylig deres resultater i tidsskriftet Proceedings of the National Academy of Sciences.

Antibiotika tilskrives en øget gennemsnitlig levealder i USA med næsten et årti. Behandlingerne reducerede dødsraterne som følge af helbredsproblemer, vi nu betragter som mindre, såsom nogle snitsår og skader. Men antibiotika virker ikke længere så godt, som de engang gjorde, delvist fordi de er så udbredte.

"Globale sundhedsorganisationer er enige om, at vi går ind i en post-antibiotisk æra," forklarer Dr. Scott. "Hvis vi ikke ændrer den måde, vi bekæmper bakterier på, vil flere mennesker dø af antibiotikaresistente infektioner end af kræft i 2050."

Bakterier formerer sig hurtigt og producerer mutante afkom. Overforbrug af antibiotika giver bakterier mulighed for at udvikle mutationer, der er resistente over for behandling. Over tid dræber antibiotika alle modtagelige bakterier og efterlader kun de stærkere mutanter, som antibiotika ikke kan dræbe.

En strategi, som læger bruger til at strømline behandlinger af bakterieinfektioner, kaldes antibiotikarotation. Sundhedspersonale veksler mellem forskellige antibiotika over tid. Skift mellem forskellige lægemidler giver bakterier mindre tid til at udvikle resistens over for en bestemt klasse af antibiotika. Rotation kan endda gøre bakterier mere modtagelige for andre antibiotika.

"Lægemiddelrotation viser lovende resultater i effektiv behandling af sygdomme," siger studiets førsteforfatter og medicinstuderende Davis Weaver, PhD. "Problemet er, at vi ikke kender den bedste måde at gøre det på. Der er ingen standarder for, hvilket antibiotikum der skal gives, hvor længe eller i hvilken rækkefølge."

Medforfatter til studiet, Dr. Jeff Maltas, en postdoc-forsker ved Cleveland Clinic, bruger computermodeller til at forudsige, hvordan bakteriers resistens over for ét antibiotikum gør dem svagere over for et andet. Han slog sig sammen med Dr. Weaver for at se, om datadrevne modeller kunne forudsige rotationsmønstre for lægemidler, der minimerer antibiotikaresistens og maksimerer modtagelighed, på trods af den tilfældige karakter af bakteriel udvikling.

Dr. Weaver ledte anvendelsen af forstærkningslæring på lægemiddelrotationsmodellen, som lærer en computer at lære af sine fejl og succeser for at bestemme den bedste strategi til at fuldføre en opgave. Undersøgelsen er en af de første, der anvender forstærkningslæring på antibiotikarotationsordninger, ifølge Dr. Weaver og Dr. Maltas.

Skematisk evolutionær simulering og testede optimeringsmetoder. Kilde: Proceedings of the National Academy of Sciences (2024). DOI: 10.1073/pnas.2303165121

"Forstærkningslæring er en ideel tilgang, fordi man kun behøver at vide, hvor hurtigt bakterierne vokser, hvilket er relativt let at bestemme," forklarer Dr. Weaver. "Der er også plads til menneskelig variation og fejl. Man behøver ikke at måle vækstraten ned til millisekundet hver gang."

Forskerholdets kunstige intelligens var i stand til at finde de mest effektive antibiotikarotationsplaner til behandling af flere stammer af E. coli og forebygge lægemiddelresistens. Undersøgelsen viser, at kunstig intelligens kan understøtte kompleks beslutningstagning, såsom beregning af antibiotikabehandlingsplaner, siger Dr. Maltas.

Dr. Weaver forklarer, at ud over at håndtere infektioner hos en enkelt patient, kan teamets AI-model informere, hvordan hospitaler behandler infektioner generelt. Han og hans forskerteam arbejder også på at udvide deres arbejde ud over bakterieinfektioner til andre dødelige sygdomme.

"Denne idé er ikke begrænset til bakterier, den kan anvendes på ethvert objekt, der kan udvikle resistens over for behandling," siger han. "I fremtiden mener vi, at disse typer af kunstig intelligens kan bruges til at håndtere behandlingsresistente kræftformer."