鄭集楊 發自 凹非寺

量子位 報道 | 公眾號 QbitAI

隨著抗生素的濫用，抗生素耐藥性已經成為日趨嚴重的問題。

據《病理學》一書的統計，全球每年感染病死亡數從上世界60年代約700萬人上升到了本世紀的2000萬。

科學家們正在努力緩解這個趨勢，目前最新的方案是：用算法進行指導，在保持療效下，減少不必要的抗生素使用。

11月4日，這項來自MIT和哈佛大學醫學院的研究團隊的相關進展，發布在了Science的子刊Science Translational Medicine上。

就讓我們帶大家了解一下抗生素耐藥性及如何利用算法進行控制管理吧。

抗生素耐藥性

大量抗生素的濫用會對細菌進行自然選擇，使那些進化出抗生素抗性的菌存活了下來，產生出了抗生素耐藥性的問題。

目前，對于應對抗生素耐藥性這個問題，主要的方法有：

人工研發或者從自然界發現新型的抗生素；

控制管理抗生素的使用，減少抗生素的濫用；

使產生耐藥性的菌對抗生素失去抗性。

“研發新藥”是最直接且有效，但是速度是遠趕不及抗生素耐藥性的形成。于是，讓目前最容易控制且實現的“管理控制抗生素方法”標準化且普遍化，已然是醫學界的共識。

但是，如何有效管理控制，仍存在著問題：缺少明確的指標。目前，管理控制上更多依賴的是過往的經驗。

而這項研究，便是利用大數據算法，給出了一個模型作為指標，來對抗生素的使用進行更精確有效的管理，以防止濫用進一步地加劇。

模型與算法

尿路感染（UTI）是相對容易進行治療的疾病，因此研究者們對其進行了初步的嘗試，希望得出能夠預測最低抗生素用量的決策算法。

數據來源于電子健康記錄（EHR），選取的抗生素對象有四類：呋喃妥因（NIT）、甲氧芐啶-磺胺甲噁唑（TMP-SMX）、環丙沙星（CIP）以及左氧氟沙星（LVX）。

在這里，研究者將細菌的表型數據分為兩類，之后設定一個閾值，在這個閾值之上被歸類為“不敏感”，在該閾值之下則被歸類為“敏感”，四種抗生素療法使用了四個不同的閾值。

最后，研究者嘗試了三種模型構建方式：決策樹、邏輯回歸和隨機森林模型。

之后，研究者共選擇了自2007年1月1日至2013年12月31日期間提交的患者尿液標本數據對模型進行訓練。

通過對70%的訓練數據進行訓練（訓練集），并對剩余30%的訓練數據（驗證集）進行AUROC評估，來調整模型類別和抗生素的每個組合的超參數。

在不敏感的數據歸類中，結果顯示，呋喃妥因和甲氧芐啶-磺胺甲噁唑的治療效果是最好的，環丙沙星也略優于左氧氟沙星。

因此，為了更好地解釋和預測現象，研究者選擇了藥效最弱的左氧氟沙星進行后續預測和分析。

有效的結果

訓練結束之后，研究者選擇了結果最好的邏輯回歸模型進行預測，并與自2014年至2016年間的患者組成的數據進行對比。

將模型應用于2014年至2016年之間的3629名患者并驗證后，預測結果還是相當出色的：

該算法相對于臨床醫生而言，二線藥物的使用減少了67%；

相對于臨床醫生，算法減少了18%的低于有效抗生素用量的治療方案；

在臨床醫生選擇二線藥物，但算法選擇一線抗生素中，92%結果最終對一線藥物敏感；

當臨床醫生選擇了不合適的一線藥物中，有47%算法是選擇了合適的一線藥物的。

對此，研究人員說道：

這項機器學習的決策算法，在保持最佳的治療效果同時，能夠最大限度地減少廣譜抗生素的使用，這為抗生素管理提供了方案。

作者及未來的研究

該研究的通訊作者是來自麻省理工學院副教授David Sontag：

其任教于麻省理工學院電氣工程和計算機科學，隸屬于醫學工程和科學研究所和計算機科學和人工智能實驗室。

研究重點是推進機器學習和人工智能，并利用它們來改進醫療保健。

對于未來的工作，David Sontag表示：

未來的工作將集中在進行隨機對照實驗，將常規方法與算法支持的決策進行比較。

另外，還可以增加樣本量的多樣性，比如族裔、社會經濟地位以及更復雜的健康背景方面等。以更好地提出治療的改進建議。

原文鏈接：

https://stm.sciencemag.org/content/12/568/eaay5067

— 完 —

本文系網易新聞?網易號特色內容激勵計劃簽約賬號【量子位】原創內容，未經賬號授權，禁止隨意轉載。

原標題：《MIT的這個AI，專治抗生素濫用，二次抗生素直降67%》

閱讀原文