Pembelajaran mesin mendorong pengambilan keputusan klinis yang lebih baik untuk melawan resistensi antibiotik


Seorang teknisi laboratorium memegang tabung berisi sampel swab yang diambil untuk tes serologis Covid-19 di laboratorium Layanan Kesehatan Leumit di kota Or Yehuda Israel dalam file ini diambil 16 Juli 2020 – Copyright AFP Rostislav NETISOV

Penyebaran organisme yang resisten terhadap antimikroba dan penyebaran spesies spesifik yang resisten terhadap spektrum antimikroba yang lebih luas terus menjadi ancaman yang signifikan bagi lingkungan rumah sakit. pasien mewakili. Beberapa gen yang berbeda memberikan resistensi terhadap agen antimikroba tertentu.

Memahami perbedaan regional dalam resistensi antibiotik memiliki kepentingan ganda. Pertama, memungkinkan para ilmuwan untuk memahami penyebaran resistensi dan waspada terhadap hilangnya efektivitas obat tertentu terhadap spesies bakteri tertentu. Kedua, ini membantu profesional medis memutuskan antimikroba mana yang akan diberikan kepada pasien. Seringkali ada beberapa waktu untuk mengkarakterisasi spesies menular untuk menentukan agen antimikroba yang optimal. Dengan memahami pola resistensi di masyarakat, beberapa antibiotik dapat lebih disukai daripada yang lain di tingkat lokal.

Baca Juga:  Kadal di bagasi Anda? Kami menggunakan kecerdasan buatan untuk mengungkap perdagangan satwa liar

Salah satu cara untuk memajukan pemahaman yang berpusat pada wilayah tentang pola resistensi antibiotik adalah dengan menggunakan pembelajaran mesin untuk membuat prediksi komputasi. Bentuk kecerdasan buatan ini menyediakan algoritma dengan kemampuan untuk memprediksi hasil tertentu melalui model yang dipelajari dengan menyediakan sejumlah besar data eksperimen. Bagian dari data ini adalah data pelatihan, yang digunakan untuk meningkatkan tingkat keberhasilan prediksi yang dibuat. Setelah skor validasi silang (“set pelatihan”) telah mencapai tingkat yang dapat diterima, data klinis dunia nyata dapat diperiksa (“set tes”).

Baca Juga:  Peserta Magang AI Wanita Pertama yang dipilih oleh Flapmax dan Wentors

Analisis semacam itu dapat mengungkap determinan resistensi antimikroba yang sebelumnya tersembunyi dengan memeriksa kumpulan data metagenomik, kumpulan data mikrobioma lingkungan, dan potensi patogennya pada manusia. Selain itu, penggabungan algoritma pembelajaran mesin dan tes laboratorium dapat membantu mempercepat penemuan antimikroba baru. Langkah terakhir ini melibatkan komputasi prospek untuk mencocokkan obat baru dengan mekanisme alternatif tindakan antimikroba (disebut “kombinasi obat sinergis”).

Pendekatan pembelajaran mesin termasuk regresi logistik (LR), mesin vektor dukungan (SVM), hutan acak (RF), dan jaringan saraf convolutional (CNN).

Baca Juga:  4 Mitos Toko Dolar yang Seharusnya Tidak Anda Percaya

Algoritme pembelajaran mesin mampu mengkorelasikan variasi genomik dengan fenotipe dan mencari pola resistensi terhadap obat tertentu di dalam wilayah. Memeriksa database tersebut melibatkan algoritma menggunakan konjungtiva (logis AND) atau fungsi Boolean terputus-putus (logis OR).

Para peneliti di Jeffrey Cheah Biomedical Centre, Wellcome-MRC Cambridge Stem Cell Institute, di University of Cambridge, Inggris, telah mengembangkan model seperti itu dan hasilnya telah dipublikasikan di jurnal. mikrobioma. Penelitian ini melakukan analisis prediktif pada tingkat ceruk lokal Stasiun Luar Angkasa Internasional (“Algoritme pembelajaran mesin untuk mengkarakterisasi resistensi antimikroba yang terkait dengan mikrobioma permukaan Stasiun Luar Angkasa Internasional”).



Source link