Según los investigadores del Centro Biomédico Jeffrey Cheah, del Instituto de Células Madre Wellcome-MRC de Cambridge, en la Universidad de Cambridge, Reino Unido, la propagación de organismos resistentes a los antimicrobianos y la resistencia de especies específicas a una gama más amplia de antimicrobianos sigue siendo una amenaza para los hospitales. Muchas especies son patógenos infecciosos nosocomiales difíciles de tratar que amenazan a las personas inmunodeprimidas. Los genes proporcionan resistencia a los antimicrobianos.
La comprensión de la resistencia regional a los antimicrobianos es doble. En primer lugar, ayuda a los científicos a analizar la propagación de la resistencia y a notificar la pérdida de eficacia de un medicamento contra una especie bacteriana determinada. En segundo lugar, ayuda a los médicos a decidir qué antibacteriano prescribir. Las especies infecciosas deben ser caracterizadas rápidamente para elegir el mejor antibiótico. Algunos antimicrobianos pueden ser preferibles a nivel local si se conocen las tendencias de resistencia.
A juicio de los investigadores, el aprendizaje automático puede utilizarse para predecir las tendencias regionales de resistencia a los antibióticos. Este tipo de IA proporciona un algoritmo con capacidad para predecir resultados concretos mediante un modelo aprendido. Estos datos incluyen datos de entrenamiento para mejorar la precisión de la predicción. Una vez que la puntuación de validación cruzada (“conjunto de entrenamiento”) es aceptable, se pueden examinar los datos clínicos reales (“conjunto de pruebas”).
Las bases de datos de metagenómica, los conjuntos de datos del microbioma ambiental y su potencial patógeno en los seres humanos pueden identificar los determinantes de la resistencia a los antibióticos. Los algoritmos de aprendizaje automático y las pruebas de laboratorio pueden acelerar el descubrimiento de nuevos antimicrobianos. Este proceso utiliza la prospección asistida por ordenador para emparejar medicamentos innovadores con mecanismos antibacterianos alternativos (combinaciones sinérgicas de medicamentos). LR, SVM, RF y CNN son técnicas de aprendizaje automático (CNN).
Los algoritmos de aprendizaje automático pueden correlacionar los cambios genéticos con los síntomas y encontrar patrones de resistencia a los agentes. El examen de estos conjuntos de datos requiere un método booleano AND/OR.
Microbiome informó de los resultados de la investigación. La investigación predice la resistencia antimicrobiana en la superficie de la Estación Espacial Internacional (Método de aprendizaje automático para caracterizar el microbioma de la superficie).
