Antibiotico-resistenza, un aiuto viene dall’Ai

Ritardare l’identificazione della terapia antibiotica più efficace può peggiorare gli esiti clinici dei pazienti, aumentare la durata dei ricoveri e favorire la selezione di microrganismi resistenti. Uno studio, coordinato dall’Idi Irccs di Roma e pubblicato sull’International Journal of infectious diseases, ha dimostrato però che è possibile prevedere con elevata accuratezza e tempestività la sensibilità agli antibiotici utilizzando un modello basato sul machine learning per l’analisi di dati clinici e microbiologici.

L'antibiogramma digitale e l'accuratezza del modello

L’indagine, svolta in collaborazione con Università di Salerno, Kelyon, Cnr, Istituto superiore di Sanità e Università Link di Roma, ha analizzato 15.581 isolati batterici provenienti da 9.966 pazienti assistiti fra 2018 e 2024. Partendo dai dati raccolti nella pratica ospedaliera di routine i ricercatori hanno sviluppato e validato un modello in grado di elaborare un antibiogramma digitale, che prevede la sensibilità dei batteri ai diversi antibiotici con un’accuratezza superiore al 90% e con almeno 48 ore di anticipo rispetto ai tempi necessari per l’antibiogramma standard.

Fra gli algoritmi testati il modello XGBoost ha ottenuto le prestazioni migliori, con livelli di accuratezza particolarmente elevati nella previsione della suscettibilità agli antibiotici sia per batteri Gram-positivi sia per Gram negativi. Ancor più elevate le prestazioni quando i modelli sono stati applicati ad alcune specifiche specie batteriche come Pseudomonas aeruginosa, Klebsiella pneumoniae, Escherichia coli e Staphylococcus aureus.

Il ruolo dei dati clinici nelle decisioni terapeutiche

«Questi risultati dimostrano che le informazioni normalmente disponibili nelle cartelle cliniche e nei sistemi informativi ospedalieri, se correttamente utilizzate, possono essere sfruttate per supportare decisioni terapeutiche rapide, efficaci e mirate», ha affermato Giuseppe Piccinni, microbiologo e coautore dello studio.

Fra i vantaggi dei modelli sviluppati sviluppati nello studio c’è senza dubbio la possibilità di formulare una previsione in tempi molto più brevi rispetto alle metodiche microbiologiche tradizionali, che richiedono fino a 48 ore per identificare il profilo completo di sensibilità agli antibiotici.

La rapidità nella somministrazione dell’antibiotico corretto contribuisce a migliorare l’esito della cura, specie in pazienti fragili o in condizioni critiche, favorisce la riduzione della mortalità associata a infezioni gravi, riduce i costi sanitari, limita l’uso non necessario di antibiotici ad ampio spettro e combatte l’insorgenza dell’antibiotico-resistenza.

L'intelligenza artificiale come supporto al medico

Nonostante la rilevanza di queste evidenze, gli studiosi precisano che non è ipotizzabile pensare che l’intelligenza artificiale andrà a sostituire completamente il medico. «Le previsioni generate dai modelli potranno essere ulteriormente migliorate, ma rappresentano semplicemente uno strumento di supporto decisionale da integrare con l’esperienza clinica e la valutazione complessiva del quadro del paziente», ha precisato il coordinatore dello studio, l’oncologo Antonio Facchiano. (riproduzione riservata)