机器学习模型有助于识别治疗结核病的关键抗生素的耐药性

结核病仍然是全球十大死亡原因之一，2020年报告的死亡人数超过130万。结核病耐药类型的出现和传播使许多环境中的结核病控制复杂化。增加挑战的是，治疗耐药结核病是困难的(2019年成功率为57%)、长期的(治疗可能需要9-20个月)和多方面的(治疗往往需要多种抗生素，导致严重的副作用)。

治疗耐药结核病的一类关键抗生素是氟喹诺酮类抗生素，它们是大多数耐药结核病治疗方案的支柱。然而，结核病菌株已经进化到对氟喹诺酮类药物产生耐药性，破坏了包括这类抗生素在内的治疗方案的疗效。耐药结核病患者的最佳治疗方案理想地通过药物敏感性试验来确定，该试验可以从表型上确定抗生素对特定结核菌株的疗效。然而，在资源匮乏、负担沉重的环境中，这些检测手段十分稀缺，这意味着这些地区的个人无法获得最能治疗其结核病的专门治疗。此外，即使可以获得表型检测，也需要长达12周的时间才能提供结果。

耶鲁大学公共卫生学院卫生政策助理教授Reza Yaesoubi和他的研究团队一直在研究预测氟喹诺酮类药物耐药性的模型，这可以加快提供最佳护理的过程。研究小组利用摩尔多瓦共和国收集的国家结核病数据，评估了人口统计学和临床因素是否可以用作结核病对氟喹诺酮类药物耐药性的预测因素。他们发现，年龄、地理位置以及结核病是新发还是复发等信息是耐药的可靠预测因素。在此基础上，他们通过机器学习创建了一个模型，以估计患者感染对氟喹诺酮耐药的结核病菌株的概率。

“这些的主要优势之一预测模型它们可以部署在医疗点，让临床医生在等待药物敏感性测试结果的同时优化治疗方案，这可能需要长达12周的时间，”Yaesoubi说。

与目前治疗耐药结核病的策略(最初假设对氟喹诺酮类药物易感)不同，Yaesoubi的模型解释了个人环境如何影响耐药可能性氟喹诺酮类原料药以及何时应该使用替代抗生素(如delamanid)。

通过严格的分析和测试，研究人员发现，在为耐药结核病患者指定适当的治疗方法方面，新模型在统计上具有更高的净效益。Yaesoubi说，这些发现为一种能够更好地治疗结核病患者的系统提供了希望。展望未来，他希望将该模型扩展到从摩尔多瓦共和国收集的数据之外，包括其他资源不足、负担沉重的地区。

“我们正计划研究是否可以为其他关键类别的疾病开发类似的预测模型抗生素而对于其他负担沉重的国家耐药结核病，”他说。

这项研究发表在公共科学图书馆数字健康．

---

---