Ronald Palacios Castrillo
En un estudio innovador realizado por la Universidad de Oxford, se utilizó un nuevo modelo de IA para detectar resistencia a los antibióticos en bacterias en 30 minutos, logrando una precisión de más del 80%. Esto representa una mejora significativa con respecto a los métodos actuales, que requieren varios días. El enfoque rápido podría revolucionar el tratamiento, reducir los efectos secundarios y combatir el aumento de la resistencia a los antimicrobianos.
El estudio, publicado en Communications Biology, presenta un método de IA único que combina microscopía de fluorescencia e IA para analizar células bacterianas. Ofrece una detección rápida de la resistencia a los antimicrobianos (RAM), una de las principales amenazas para la salud mundial que causó alrededor de 1,3 millones de muertes en 2019. Esta innovación promete tratamientos más precisos y rápidos para enfermedades infecciosas, lo que podría salvar vidas.
El aumento de la resistencia a los antimicrobianos (RAM) es uno de los mayores desafíos de salud pública, ya que causa hasta 1,2 millones de muertes al año y sigue aumentando. Los tiempos de respuesta actuales basados en cultivos para la identificación bacteriana en muestras clínicas y las pruebas de susceptibilidad a los antimicrobianos (AST) suelen ser de 18 a 24 h.
=> Recibir por Whatsapp las noticias destacadas
Presentamos un nuevo avance metodológico de prueba de concepto en pruebas de susceptibilidad basado en el aprendizaje profundo de fenotipos morfológicos específicos unicelulares directamente asociados con la susceptibilidad a los antimicrobianos en Escherichia coli.
Nuestros modelos pueden clasificar de manera confiable (80% de precisión unicelular) células susceptibles tratadas y no tratadas para una cepa de E. coli totalmente susceptible de referencia de laboratorio, en cuatro antibióticos (ciprofloxacina, gentamicina, rifampicina y coamoxiclav).
Para la ciprofloxacina, demostramos que nuestros modelos revelan diferencias significativas (p < 0,001) entre las poblaciones de células bacterianas afectadas y no afectadas por el tratamiento con antibióticos, y mostramos que, dado el tratamiento con una concentración fija de 10 mg/L durante 30 min, estos efectos fenotípicos se correlacionan con la susceptibilidad clínica.
Definido por puntos de corte clínicos establecidos. Al implementar nuestro enfoque en poblaciones celulares de seis cepas de E. coli obtenidas de infecciones del torrente sanguíneo humano con diversos grados de resistencia a la ciprofloxacina y tratadas con una variedad de concentraciones de ciprofloxacina, demostramos que el fenotipado unicelular tiene el potencial de proporcionar información equivalente a la AST basada en el crecimiento. ensayos, pero en tan solo 30 min.
Actualmente, la prueba de referencia para la resistencia a los antimicrobianos implica el crecimiento de colonias bacterianas en antibióticos, un proceso lento que a menudo no es adecuado para situaciones médicas urgentes. El nuevo método del Programa Oxford Martin (OMP) ofrece una solución prometedora a este problema.
En una era en la que la RAM representa una amenaza crítica para la salud pública, este equipo de investigadores de Oxford University ha logrado un avance innovador hacia la detección rápida de la RAM. Esta innovación puede tener el potencial de revolucionar la forma en que respondemos a las enfermedades infecciosas, permitiendo decisiones de tratamiento más precisas y oportunas y, en última instancia, salvando vidas.
La técnica basada en IA se centra en detectar cambios estructurales en células bacterianas cuando se tratan con antibióticos, específicamente en Escherichia coli (E. coli). Emplea modelos de aprendizaje profundo para analizar estos cambios con una eficiencia impresionante, logrando al menos un 80% de precisión por celda en solo 30 minutos. Este enfoque fue eficaz con múltiples antibióticos, incluidos ciprofloxacina, gentamicina, rifampicina y coamoxiclav.
Los Drs. Piers Turner y Achillefs Kapanidis, que dirigen el equipo de investigación, enfatizan la naturaleza innovadora de este avance. Su método puede diferenciar entre células bacterianas resistentes y no resistentes, proporcionando una base para detectar la resistencia a los antimicrobianos. Esta rápida detección no sólo es significativamente más rápida que los métodos establecidos, sino que también es prometedora para una variedad de antibióticos y tipos de bacterias.
El objetivo del equipo es seguir desarrollando este método para una aplicación clínica más amplia, haciéndolo más rápido y escalable. Esto podría conducir a tratamientos antibióticos más específicos, reducir los tiempos de tratamiento, minimizar los efectos secundarios y, fundamentalmente, frenar el aumento de la resistencia a los antimicrobianos.
Este innovador modelo de IA representa un paso esperanzador en la lucha global contra la RAM, y ofrece una visión de un futuro en el que la detección rápida y precisa puede transformar la forma en que abordamos uno de los mayores desafíos de salud pública de nuestro tiempo.