مدل هوش مصنوعی«کاربا دتکتور» شناسایی دقیقتر باکتریهای مقاوم به آنتیبیوتیک را ممکن میکند
یک تیم پژوهشی از دانشگاه علوم پزشکی اولدنبورگ آلمان موفق به توسعه مدل هوش مصنوعی جدیدی با نام کاربا دتکتور (CarbaDetector) شده است که امکان شناسایی باکتریهای مقاوم به آنتیبیوتیک را با دقت بالاتر و خطای مثبت کاذب بهمراتب کمتر فراهم میکند. این دستاورد میتواند به کاهش نیاز به آزمایشهای تکمیلی پرهزینه و زمانبر منجر شده و فرآیند تشخیص و درمان را بهطور قابل توجهی بهبود بخشد.
به گزارش مدرن مد به نقل از medica.de، این مدل هوش مصنوعی تحت هدایت پروفسور «آکسل هامبرشت»، مدیر مؤسسه دانشگاهی میکروبیولوژی و ویروسشناسی پزشکی در بیمارستان اولدنبورگ، توسعه یافته است. به گفته پژوهشگران، کاربا دتکتور (CarbaDetector) با کاهش نتایج مثبت کاذب، بار کاری آزمایشگاهها را کم کرده و شناسایی دقیقتر باکتریهای مقاوم را برای پزشکان و نظام سلامت امکانپذیر میسازد.
تمرکز بر مقاومتهای بحرانی دارویی
هدف اصلی این مدل، شناسایی قابل اعتماد باکتریهایی است که آنزیم «کارباپنمآز» تولید میکنند. این آنزیمها آنتیبیوتیکهای ذخیرهای از خانواده کارباپنمها را که تنها در موارد بسیار خاص تجویز میشوند، غیرفعال میکنند. باکتریهای موسوم به Enterobacterales تولیدکننده کارباپنمآز (CPE) میتوانند موجب بیماریهایی نظیر عفونتهای مجاری ادراری، سپسیس و ذاتالریه شوند و اغلب در برابر چندین گروه دارویی مقاوم هستند.
بر اساس آمار سازمان جهانی بهداشت، سالانه حدود نیم میلیون نفر در سراسر جهان بر اثر مقاومتهای آنتیبیوتیکی جان خود را از دست میدهند که حدود ۳۰ هزار مورد آن به عفونتهای ناشی از CPE مربوط میشود.
دکتر «لینهآ کاتارینا موهسال»، نویسنده اول این مطالعه، در اینباره گفت: «روشهای غربالگری رایج اغلب نتایج مثبت کاذب ایجاد میکنند که منجر به انجام آزمایشهای اضافی، پرهزینه و غیرضروری میشود.»
مدل کاربا دتکتور (CarbaDetector)، مشابه روشهای مرسوم، نواحی مهار رشد (Hemmzonen) ایجادشده توسط آنتیبیوتیکها روی کشت باکتریها را تحلیل میکند. در حال حاضر، الگوریتمهای مورد تأیید اتحادیه اروپایی کمیته آزمون حساسیت ضد میکروبی (EUCAST) و انجمن میکروبیولوژی فرانسه بهعنوان استاندارد استفاده میشوند، اما این روشها اغلب نمونههای منفی را به اشتباه مثبت گزارش میکنند.
در این مطالعه، عملکرد کاربا دتکتور (CarbaDetector) با دو روش مرجع بر روی ۸۰۰ سویه باکتریایی مقایسه شد. نتایج نشان داد این مدل هوش مصنوعی، نمونههای مثبت واقعی را با دقتی مشابه روشهای استاندارد شناسایی میکند، اما میزان نتایج مثبت کاذب را به حدود ۱۳ درصد کاهش میدهد؛ در حالی که این رقم در روشهای مقایسهای بین ۲۷.۸ تا ۶۱ درصد گزارش شده است.
در حال حاضر، استفاده از این مدل در آلمان به مقاصد پژوهشی محدود است. پروفسور هامبرشت با اشاره به برنامههای آتی گفت: «قصد داریم این مدل را بیش از پیش توسعه دهیم و همچنان بهصورت رایگان در دسترس قرار دهیم تا آزمایشگاههایی با منابع محدود، بهویژه در کشورهای دیگر، بتوانند از آن بهرهمند شوند.»
به باور کارشناسان، کاربا دتکتور (CarbaDetector) میتواند در آینده به ابزاری کلیدی برای مقابله با بحران جهانی مقاومت آنتیبیوتیکی تبدیل شده و نقش مهمی در ارتقای دقت تشخیص، تسریع درمان و کاهش هزینههای نظام سلامت ایفا کند.
