Un nuevo enfoque de aprendizaje automático puede predecir y minimizar el riesgo de resistencia a los antibióticos inducida por el tratamiento

Un modelo de aprendizaje automático creado a partir de datos de miles de pacientes con infecciones de heridas y del tracto urinario identificó los factores que contribuyen a la resistencia a los antibióticos en las infecciones recurrentes. Los autores de este trabajo afirman que el historial de infecciones y tratamientos antibióticos de un paciente puede utilizarse con los datos demográficos del mismo para predecir qué antibióticos candidatos podrían prevenir una infección recurrente. «Los sistemas de recomendación de aprendizaje automático como el presentado [aquí] tienen el potencial de mejorar sustancialmente los resultados de los pacientes y podrían desempeñar un papel importante en la mitigación de la resistencia a los antibióticos», escriben Jean-Baptiste Lagagne y Mary Dunlop en un artículo de Perspective relacionado. En muchos casos, las infecciones bacterianas, incluidas las infecciones comunes del tracto urinario (ITU) y las infecciones de heridas, se originan a partir de las bacterias de la microbiota del paciente. El tratamiento de estas infecciones suele implicar el uso de una amplia gama de antibióticos. A menudo se evalúa la susceptibilidad de las infecciones graves a los antibióticos, lo que orienta el uso de un determinado fármaco. Sin embargo, aunque el tratamiento inicial puede eliminar la infección, se cree que el uso de antibióticos puede propiciar la aparición de cepas resistentes que sustituyan a la anterior cepa susceptible. Por tanto, las infecciones diagnosticadas inicialmente como susceptibles de recibir antibióticos y tratadas como tales pueden reaparecer y convertirse en resistentes a los medicamentos, lo que supone una amenaza para la vida. Utilizando un gran conjunto de datos longitudinales de más de 200 000 infecciones del tracto urinario y de las heridas y los perfiles del microbioma de los pacientes asociados, Mathew Stracy y sus colegas buscaron incidencias en las que el tratamiento antibiótico inicial no fue eficaz. Para entender mejor por qué algunas infecciones adquirieron posteriormente resistencia en este grupo, llevaron a cabo la secuenciación genómica de las bacterias del paciente en individuos que experimentaron una recurrencia temprana de la ITU, lo que ofreció una visión detallada de las cepas y especies de la infección original en comparación con las que provocaron su recidiva. Descubrieron que las recidivas que generaron resistencia estuvieron causadas por la sustitución de la cepa y no por mutaciones puntuales en la cepa originalmente infectante. «Este análisis revela una vía de reinfección infravalorada, en la que la especie original es tratada y eliminada, pero el tratamiento acaba preparando el terreno para que surjan otras cepas resistentes», escriben Lagagne y Dunlop en su artículo de Perspective. A continuación, Stracy y su equipo utilizaron los datos resultantes para desarrollar un modelo de aprendizaje automático que predice el riesgo de que un patógeno adquiera resistencia a un determinado antibiótico a nivel de cada paciente individual.