MADRID, 29 Jun. (EUROPA PRESS) -
La Universidad Carlos III de Madrid (UC3M) coordina una investigación que analiza los patrones de resistencia a los antibióticos mediante Inteligencia Artificial (IA), con el objetivo de buscar tendencias que puedan ayudar a decidir qué tratamiento se aplica a cada tipo de paciente y frenar la expansión de bacterias.
Este estudio, publicado recientemente en la revista científica 'Nature Communications', ha sido realizado junto a la Universidad de Exeter, la Universidad de Birmingham (ambas de Reino Unido) y el Hospital Westmead de Sydney (Australia).
En entornos clínicos, para observar la resistencia de un patógeno bacteriano a un antibiótico, se utiliza una medida denominada Minimum Inhibitory Concentration (MIC), que es la concentración mínima de antibiótico capaz de inhibir el crecimiento de la bacteria. Cuanto mayor es el MIC de una bacteria frente a un antibiótico, mayor es su resistencia.
Sin embargo, la mayoría de las bases de datos públicas contienen únicamente la frecuencia de patógenos resistentes, que es un dato agregado que se calcula a partir de las medidas MIC y de unos umbrales de resistencia definidos de antemano.
"Por ejemplo, para un patógeno, dado el umbral de resistencia a un antibiótico puede ser 4: si una bacteria tiene un MIC de 16 se considera resistente y se contabiliza al calcular la frecuencia de resistencia", señala Pablo Catalán, profesor e investigador del Departamento de Matemáticas de la UC3M y autor del estudio. En esta línea, los informes de resistencia que se realizan a nivel nacional y por organizaciones como la Organización Mundial de la Salud se elaboran usando estos datos agregados de frecuencia de resistencia.
BASE DE DATOS PIONERA
Así, para realizar esta investigación, el equipo ha analizado una base de datos que es pionera, al contener los datos en bruto de resistencia a los antibióticos. Esta base de datos, denominada ATLAS, está gestionada por Pfizer y es pública desde 2018.
El grupo de trabajo que lidera la UC3M ha contrastado la información de 600.000 pacientes de más de 70 países y ha utilizado métodos de 'machine learning' (un tipo de técnica de IA) para extraer patrones de evolución de resistencia.
Analizando estos datos, el equipo investigador ha descubierto que hay patrones de evolución de resistencia que pueden detectarse si se usan los datos en bruto (MIC), pero que son indetectables usando los datos agregados.
"Un ejemplo claro de esto es un patógeno cuyo MIC esté aumentando lentamente en el tiempo, pero por debajo del umbral de resistencia. Usando los datos de frecuencia no podríamos decir nada, ya que la frecuencia de resistencia permanece constante. Sin embargo, usando los datos MIC podemos detectar ese caso y ponernos en alerta. En el artículo discutimos varios casos de relevancia clínica que tienen estas características. Además, somos el primer equipo que describe esta base de datos en profundidad", apunta Catalán.
Este estudio permite diseñar tratamientos de antibióticos que sean más efectivos para controlar las infecciones y frenar el auge de la resistencia que genera muchos problemas clínicos. "La investigación utiliza ideas matemáticas para encontrar nuevas formas de extraer patrones de resistencia a los antibióticos a partir de 6,5 millones de puntos de datos", concluye el autor de la investigación.
