MADRID, 30 Nov. (EUROPA PRESS) -
Un nuevo estudio dirigido por investigadores del Harvard Pilgrim Health Care Institute, en Estados Unidos, ha desarrollado un algoritmo que podría reducir en gran medida el uso de antibióticos de amplio espectro en entornos ambulatorios, un paso hacia la reducción de la resistencia a los antibióticos, según publican en línea en la revista 'Science Translational Medicine'.
Como recuerdan los autores, la resistencia a los antibióticos es una gran amenaza para la práctica de la medicina y está impulsada en gran parte por el uso excesivo de antibióticos. Los entornos para pacientes ambulatorios son donde se prescribe la gran mayoría de los antibióticos, pero también donde hay menos herramientas disponibles para ayudar a los prescriptores a tomar decisiones de tratamiento óptimas.
Esto lleva a los proveedores a recetar antibióticos de amplio espectro en respuesta a un aumento real, así como percibido, en las tasas de infección resistente a los antibióticos. Sin embargo, el uso de antibióticos de amplio espectro, que actúan contra una amplia gama de bacterias, promueve un círculo vicioso en el que el uso excesivo empeora aún más el problema de la resistencia a través de un circuito de retroalimentación positiva. Un ejemplo es la infección del tracto urinario (ITU), que es una razón muy común para el uso de antibióticos entre los pacientes ambulatorios.
Se ha prestado poca atención al desarrollo de herramientas eficaces de apoyo a la toma de decisiones para los prescriptores ambulatorios. Los algoritmos se han utilizado para el apoyo de decisiones clínicas para enfermedades infecciosas desde la década de 1970, pero aún no se han adoptado ampliamente debido a las dificultades para integrarlos en prácticas clínicas ocupadas.
Sanjat Kanjilal, autor principal y profesor de medicina de poblaciones en el Harvard Pilgrim Health Care Institute y la Harvard Medical School, cree que ahora tenemos las herramientas para mejorar. "El apoyo de decisiones personalizado en el punto de atención puede ser una herramienta eficaz para administrar la prescripción de antibióticos para los síndromes infecciosos comunes", señala.
Su solución es utilizar modelos de aprendizaje automático para predecir la probabilidad de resistencia a los antibióticos y luego traducir esas probabilidades en recomendaciones que ayuden a los prescriptores a tomar decisiones de tratamiento óptimas.
"Nuestro estudio desarrolló un algoritmo de apoyo a la decisión personalizado para las infecciones urinarias como una solución al desafío de la prescripción de antibióticos en la era de la resistencia", explica.
El estudio utilizó datos de los registros médicos de más de 13.000 mujeres con ITU sin complicaciones que recibieron atención en dos grandes hospitales de Boston entre 2007 y 2016.
El equipo del doctor Kanjilal entrenó sus modelos de aprendizaje automático para predecir la probabilidad de resistencia a los antibióticos a cuatro tratamientos de uso común, y luego desarrolló un método novedoso para traducir esas probabilidades en decisiones que puedan guiar a los prescriptores a evitar la ciprofloxacina y la levofloxacina en la mayor medida posible, sin causar ningún daño indebido a los pacientes.
El equipo comparó el rendimiento del algoritmo con el de los médicos y las directrices nacionales y descubrió que habría reducido la prescripción de antibióticos de segunda línea en un 67%. Al mismo tiempo, también redujo la selección de antibióticos a los que una muestra es resistente, en un 18%.
El doctor Kanjilal agrega que "la integración de estos modelos en la atención ambulatoria podría desempeñar un papel importante en la reducción del uso de antibióticos de amplio espectro. Nuestro trabajo futuro se centrará en integrar estas herramientas de apoyo a la toma de decisiones clínicas en los flujos de trabajo de los proveedores y evaluar los resultados clínicos mediante el uso de ensayos", avanza.
