Algoritmo de prescripción de antibióticos reduce a la mitad el riesgo de resistencia a los antibióticos
Crédito: Unsplash/CC0 Public Domain
Los antibióticos son un arma de doble filo: por un lado, los antibióticos son esenciales para curar infecciones bacterianas. Por otro, su uso favorece la aparición y proliferación de bacterias resistentes a los antibióticos. Utilizando técnicas de secuenciación genómica y análisis de aprendizaje automático de registros de pacientes, los investigadores han desarrollado un algoritmo de prescripción de antibióticos que reduce a la mitad el riesgo de aparición de resistencia a los antibióticos.
El artículo, publicado hoy en Science, es una colaboración entre el grupo de investigación del profesor Roy Kishony de la Facultad de Biología del Instituto Tecnológico de TechnionIsrael y la Facultad de Ciencias de la Computación Henry and Marilyn Taub y los profesores Varda Shalev, Gabriel Chodick y Jacob Kuint en el Centro de Investigación e Innovación Maccabi KSM dirigido por el Dr. Tal Patalon. Centrándose en dos infecciones bacterianas muy comunes, infecciones del tracto urinario e infecciones de heridas, el documento describe cómo se puede usar el historial de infecciones pasadas de cada paciente para elegir el mejor antibiótico para prescribirlo y reducir las posibilidades de que surja una resistencia a los antibióticos.
El tratamiento clínico de las infecciones se centra en hacer coincidir correctamente un antibiótico con el perfil de resistencia del patógeno, pero incluso estos tratamientos pueden fallar, ya que la resistencia puede surgir durante el tratamiento mismo. «Queríamos comprender cómo surge la resistencia a los antibióticos durante el tratamiento y encontrar formas de adaptar mejor el tratamiento con antibióticos para cada paciente para no solo coincidir correctamente con la susceptibilidad actual a la infección del paciente, sino también para minimizar el riesgo de recurrencia de la infección y ganar resistencia al tratamiento». dijo el profesor Kishony.
La clave del éxito del enfoque fue comprender que la aparición de resistencia a los antibióticos podía predecirse en infecciones de pacientes individuales. Las bacterias pueden evolucionar mediante la adquisición aleatoria de mutaciones que las hacen resistentes, pero la aleatoriedad del proceso hace que sea difícil de predecir y evitar. Sin embargo, los investigadores descubrieron que en la mayoría de las infecciones de los pacientes, la resistencia no se adquiría por mutaciones aleatorias. En cambio, surgió resistencia debido a la reinfección por bacterias resistentes existentes del propio microbioma del paciente. Los investigadores convirtieron estos hallazgos en una ventaja: propusieron hacer coincidir un antibiótico no solo con la susceptibilidad de la bacteria que causa la infección actual del paciente, sino también con la bacteria en su microbioma que podría reemplazarla.
«Nosotros encontró que la susceptibilidad a los antibióticos de las infecciones pasadas del paciente podría usarse para predecir su riesgo de regresar con una infección resistente después del tratamiento con antibióticos», explicó el Dr. Mathew Stracy, primer autor del artículo. «El uso de estos datos, junto con los datos demográficos del paciente, como la edad y el sexo, nos permitió desarrollar el algoritmo».
Explore más
La IA mejora la precisión de la selección de antibióticos para el tratamiento de las infecciones urinarias Más información: Mathew Stracy et al, Minimización de la aparición de resistencia a los antibióticos inducida por el tratamiento en infecciones bacterianas, Science (2022). DOI: 10.1126/science.abg9868 Información de la revista: Science
Proporcionado por American Technion Society Cita: El algoritmo de prescripción de antibióticos reduce a la mitad el riesgo de resistencia a los antibióticos (2022 , 25 de febrero) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2022-02-antibiotic-prescribing-algorithm-antibiotic-resistance.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.