Ang artificial intelligence ay maaaring bumuo ng mga paggamot upang maiwasan ang 'superbugs'
Huling nasuri: 14.06.2024
Ang lahat ng nilalaman ng iLive ay medikal na nasuri o naka-check ang katotohanan upang masiguro ang mas tumpak na katumpakan hangga't maaari.
Mayroon kaming mahigpit na mga panuntunan sa pag-uukulan at nag-uugnay lamang sa mga kagalang-galang na mga site ng media, mga institusyong pang-akademikong pananaliksik at, hangga't maaari, ang mga pag-aaral ng medikal na pag-aaral. Tandaan na ang mga numero sa panaklong ([1], [2], atbp) ay maaaring i-click na mga link sa mga pag-aaral na ito.
Kung sa tingin mo na ang alinman sa aming nilalaman ay hindi tumpak, hindi napapanahon, o kung hindi pinag-uusapan, mangyaring piliin ito at pindutin ang Ctrl + Enter.
Ang mga mananaliksik sa Cleveland Clinic ay nakabuo ng isang modelo ng artificial intelligence (AI) na maaaring matukoy ang pinakamahusay na kumbinasyon at timing para sa pagrereseta ng mga gamot upang gamutin ang isang bacterial infection batay lamang sa rate ng paglaki ng bacterial sa ilalim ng ilang partikular na exposure. Ang isang team na pinamumunuan ni Dr. Jacob Scott at ang kanyang laboratoryo sa Theoretical Division of Translational Hematology and Oncology ay nag-publish kamakailan ng kanilang mga resulta sa Proceedings of the National Academy of Sciences. P>
Ang mga antibiotic ay kinikilala sa pagtaas ng pag-asa sa buhay sa United States nang halos isang dekada. Binawasan ng paggamot ang rate ng pagkamatay mula sa mga problema sa kalusugan na itinuturing na nating menor de edad, tulad ng ilang hiwa at pinsala. Gayunpaman, hindi na gumagana ang mga antibiotic tulad ng dati, dahil sa malawakang paggamit ng mga ito.
“Sumasang-ayon ang mga pandaigdigang organisasyong pangkalusugan na papasok tayo sa panahon ng post-antibiotic,” paliwanag ni Dr. Scott. “Kung hindi natin babaguhin ang paraan ng ating pakikipaglaban sa bakterya, pagsapit ng 2050 mas maraming tao ang mamamatay mula sa mga impeksiyong lumalaban sa antibiotic kaysa sa kanser.”
Mabilis na dumami ang bakterya, na gumagawa ng mutant na mga supling. Ang labis na paggamit ng mga antibiotic ay nagbibigay ng pagkakataon sa bakterya na bumuo ng mga mutasyon na lumalaban sa paggamot. Sa paglipas ng panahon, pinapatay ng mga antibiotic ang lahat ng madaling kapitan na bakterya, na nag-iiwan lamang ng mas malalakas na mutant na hindi kayang sirain ng mga antibiotic.
Ang isang diskarte na ginagamit ng mga doktor para gawing moderno ang paggamot sa mga impeksyong bacterial ay tinatawag na antibiotic rotation. Ang mga tagapagbigay ng pangangalagang pangkalusugan ay nagpapalit sa pagitan ng iba't ibang antibiotic sa mga partikular na yugto ng panahon. Ang paglipat sa pagitan ng iba't ibang mga gamot ay nagbibigay sa bakterya ng mas kaunting oras upang bumuo ng resistensya sa anumang isang klase ng antibyotiko. Ang pag-ikot ay maaaring maging mas madaling kapitan ng bakterya sa iba pang mga antibiotic.
"Ang pag-ikot ng gamot ay nagpapakita ng pangako sa epektibong paggamot sa sakit," sabi ng unang may-akda ng pag-aaral at medikal na estudyante na si Davis Weaver, Ph.D. "Ang problema ay hindi namin alam ang pinakamahusay na paraan upang gawin ito. Walang mga pamantayan kung anong antibiotic ang ibibigay, kung gaano katagal at sa anong pagkakasunud-sunod.”
Ang co-author ng pag-aaral na si Dr. Jeff Maltas, isang postdoctoral researcher sa Cleveland Clinic, ay gumagamit ng mga modelo ng computer upang mahulaan kung paano ang paglaban ng bakterya sa isang antibiotic ay nagpapahina sa kanila sa isa pa. Nakipagtulungan siya kay Dr. Weaver upang tuklasin kung mahuhulaan ng mga modelong batay sa data ang mga pattern ng pag-ikot ng gamot na nagpapaliit ng resistensya sa antibiotic at nagpapalaki ng pagiging sensitibo sa antibiotic, sa kabila ng random na kalikasan ng bacterial evolution.
Si Dr. Pinangunahan ni Weaver ang paggamit ng reinforcement learning sa modelo ng pag-ikot ng gamot, na nagtuturo sa isang computer na matuto mula sa mga pagkakamali at tagumpay nito upang matukoy ang pinakamahusay na diskarte upang makumpleto ang isang gawain. Ayon kay Dr. Weaver at Maltas, ang pag-aaral na ito ay isa sa mga unang naglapat ng reinforcement learning sa mga antibiotic rotation regimen.
Schematic evolutionary simulation at nasubok na mga diskarte sa pag-optimize. Pinagmulan: Proceedings of the National Academy of Sciences (2024). DOI: 10.1073/pnas.2303165121
“Ang reinforcement learning ay isang perpektong diskarte dahil kailangan mo lang malaman kung gaano kabilis lumaki ang bacteria, na medyo madaling matukoy,” paliwanag ni Dr. Weaver. "Mayroon ding puwang para sa pagkakaiba-iba at pagkakamali ng tao. Hindi na kailangang sukatin ang rate ng paglago pababa sa millisecond sa bawat oras.”
Nakuha ng AI ng research team ang pinakamabisang antibiotic rotation plan para gamutin ang maraming strain ng E. Coli at maiwasan ang paglaban sa droga. Ipinapakita ng pag-aaral na maaaring suportahan ng AI ang kumplikadong paggawa ng desisyon, gaya ng pagkalkula ng mga iskedyul ng paggamot sa antibiotic, sabi ni Dr. Maltas.
Si Dr. Ipinaliwanag ni Weaver na bilang karagdagan sa pamamahala sa impeksyon ng isang indibidwal na pasyente, ang modelo ng AI ng koponan ay maaaring ipaalam kung paano tinatrato ng mga ospital ang mga impeksyon sa kabuuan. Siya at ang kanyang research team ay nagsusumikap din na palawakin ang kanilang trabaho lampas sa bacterial infection hanggang sa iba pang nakamamatay na sakit.
"Ang ideyang ito ay hindi limitado sa bakterya, ngunit maaaring ilapat sa anumang bagay na maaaring magkaroon ng paglaban sa paggamot," sabi niya. "Sa hinaharap, naniniwala kami na ang mga uri ng AI na ito ay magagamit para pamahalaan ang mga cancer na lumalaban sa paggamot."