L’emergere e il diffondersi delle resistenze antimicrobiche (AMR) rappresenta una sfida importante per la salute pubblica, con 1,27 milioni di morti ogni anno nel mondo.
L’emergere e il diffondersi delle resistenze antimicrobiche (AMR) rappresenta una sfida importante per la salute pubblica, con 1,27 milioni di morti ogni anno nel mondo. Tali resistenze si sviluppano quando microorganismi come batteri, virus, funghi e parassiti, spesso sotto pressione selettiva, attraverso diversi meccanismi genici, diventano resistenti ai farmaci che un tempo erano efficaci nel trattare le infezioni da essi causate. È importante sottolineare che la sfida della resistenza antimicrobica non riguarda solo i batteri, ma anche i virus. Recentemente, virus emergenti come il SARS-CoV-2, hanno evidenziato l’importanza della ricerca e sviluppo nella produzione di nuovi agenti antivirali e vaccini.
Attualmente, le tecniche di caratterizzazione e diagnostica utilizzate nei laboratori non forniscono informazioni sufficienti per condurre efficacemente la sorveglianza. Tuttavia, i progressi tecnologici, in particolare nell’ambito dell’intelligenza artificiale (AI), offrono opportunità nel settore medico, con l’applicazione di tecniche di Machine Learning (ML) e Deep Learning (DL) per affrontare le sfide legate alla resistenza antimicrobica. Questi modelli analizzano ampie quantità di dati sull’uso e sulla resistenza agli antimicrobici per identificare pattern emergenti e potenziali hot spot di AMR, aiutando così le autorità sanitarie a rispondere più rapidamente ed efficacemente agli outbreak di infezioni da microrganismi resistenti.
Tradizionalmente, per comprendere il meccanismo della resistenza antimicrobica (AMR), è stato e viene utilizzato il test di suscettibilità agli antimicrobici (AST), basato su test fenotipici. Tuttavia, questo tipo di test richiede tempo considerevole. Le sequenze genomiche sono ora utilizzate come alternative più veloci e accessibili. Se forniti di dati sufficienti, i modelli di DL/ML hanno dimostrato avere una buona accuratezza nella predizione della suscettibilità agli antimicrobici.
Il processo di analisi inizia con la raccolta e la pre-elaborazione dei dati, che principalmente consistono in sequenze del genoma completo (WGS) e polimorfismi a singolo nucleotide (SNP). Successivamente, le caratteristiche rilevanti vengono estratte e preprocessate. Diversi strumenti di Machine Learning e statistici possono essere utilizzati per generare queste caratteristiche per prevedere le AMR.
Diversi modelli di machine learning sono stati utilizzati per la predizione/classificazione della resistenza antimicrobica, con l’obiettivo di costruire una relazione matematica tra le caratteristiche di input e le etichette target. I modelli vengono quindi addestrati su dati etichettati e testati su “unseen data” (dati che non sono stati utilizzati durante il processo di addestramento di un modello o di un algoritmo) per convalidare le loro prestazioni.
Tuttavia, l’applicazione di modelli ML/DL nella ricerca antimicrobica incontra alcune sfide e criticità che includono:
- la necessità di una grande quantità di dati genotipici
- la necessità di una distribuzione più uniforme possibile delle categorie suscettibili e resistenti nei dati
- la selezione necessaria di modelli appropriati in base alla natura del problema
- la necessità che i modelli siano facilmente interpretabili, specialmente nell’applicazione nel settore sanitario o nella diagnostica
- la comprensione incompleta dei meccanismi degli antibiotici e dei farmaci, specialmente in nuove malattie o con mutazioni che complicano ulteriormente la comprensione
- la resistenza antimicrobica può variare a livello cellulare e comunitario, aggiungendo complessità all’analisi
- I modelli di IA spesso trattano i geni separatamente, non catturando le interazioni complesse che possono contribuire alla resistenza
- La mancanza di una categorizzazione standardizzata della resistenza antimicrobica, che spesso si limita a “suscettibile” o “resistente”, rende difficile la creazione di modelli accurati
- Disponibilità di dati limitati e sbilanciati che possono influenzare le prestazioni del modello
- L’overfitting, con modelli che possono adattarsi troppo ai dati di addestramento riducendo la loro capacità di generalizzare su nuovi dati.
Superare queste sfide è cruciale per l’implementazione pratica dell’IA nella diagnostica e nel trattamento dell’AMR. L’obiettivo finale è utilizzare questi modelli per migliorare la diagnostica e il trattamento dell’AMR, consentendo una risposta più rapida ed efficace alle infezioni antibiotico-resistenti.
In conclusione sebbene l’IA offra promesse significative nel campo degli antimicrobici, sono necessari ulteriori sviluppi, come l’adozione di modelli multivariati e interattivi, per affrontare queste sfide e garantire un’applicazione clinica e sanitaria su vasta scala.
Autore: Stefano Michienzi
