克利夫兰诊所的研究人员开发了一种人工智能 (AI) 模型，该模型可以仅根据细菌在特定扰动下生长的速度来确定治疗细菌感染的药物处方时使用的最佳组合和时间表。 由医学博士、博士雅各布·斯科特（Jacob Scott）及其转化血液学和肿瘤学理论部实验室领导的团队最近在《美国国家科学院院刊》上发表了他们的研究结果。
抗生素被认为使美国人的平均寿命延长了近十年。 治疗降低了我们现在认为轻微的健康问题的死亡率——比如一些割伤和伤害。 但抗生素的作用已不如以前，部分原因是抗生素的广泛使用。
“世界各地的卫生机构都认为我们正在进入后抗生素时代，”斯科特博士解释道。 “如果我们不改变追踪细菌的方式，到 2050 年，死于抗生素耐药性感染的人数将超过死于癌症的人数。”
细菌快速复制，产生突变的后代。 过度使用抗生素让细菌有机会练习产生抵抗治疗的突变。 随着时间的推移，抗生素会杀死所有敏感细菌，只留下抗生素无法杀死的更强的突变体。
医生用来使我们治疗细菌感染的方式现代化的一种策略是抗生素循环。 医疗保健提供者在特定的时间段内轮流使用不同的抗生素。 更换不同的药物可以缩短细菌对任何一类抗生素产生耐药性的时间。 骑自行车甚至会使细菌更容易受到其他抗生素的影响。
“药物循环在有效治疗疾病方面显示出很大的希望，”该研究的第一作者、医学生戴维斯·韦弗博士说。 “问题是我们不知道最好的方法。医院之间对于给予哪种抗生素、给予多长时间以及按照什么顺序都没有标准化。”
研究合著者杰夫·马尔塔斯博士是克利夫兰诊所的博士后研究员，他使用计算机模型来预测细菌对一种抗生素的耐药性将如何使其对另一种抗生素的耐药性减弱。 他与韦弗博士合作，研究数据驱动的模型是否可以预测药物循环方案，从而最大限度地减少抗生素耐药性并最大限度地提高抗生素敏感性，尽管细菌进化具有随机性。
韦弗博士带头将强化学习应用于药物循环模型，该模型教会计算机从错误和成功中学习，以确定完成任务的最佳策略。 这项研究是首批将强化学习应用于抗生素循环疗法的研究之一。 韦弗和马耳他说。
“强化学习是一种理想的方法，因为你只需要知道细菌生长的速度，这相对容易确定，”韦弗博士解释说。 “也存在人为变化和错误的空间。你不需要每次都完美地测量增长率，精确到毫秒。”
研究团队的人工智能能够找出最有效的抗生素循环计划来治疗多种大肠杆菌菌株并防止耐药性。 马耳他博士说，研究表明人工智能可以支持复杂的决策，例如计算抗生素治疗方案。
Weaver 博士解释说，除了管理个别患者的感染之外，该团队的人工智能模型还可以告知医院如何全面治疗感染。 他和他的研究团队还致力于将他们的工作从细菌感染扩展到其他致命疾病。
“这个想法不仅限于细菌，它可以应用于任何能够产生治疗耐药性的东西，”他说。 “未来我们相信这些类型的人工智能也可以用于治疗耐药癌症。”
资讯来源：由a0资讯编译自THECOINREPUBLIC。版权归作者A0资讯所有，未经许可，不得转载
