編輯 | 綠羅
抗生素將人類平均壽命至少提高了十年以上。但抗生素的作用已不如以前，部分原因是抗生素的廣泛使用。
「世界各地的衛生機構一致認為，我們正在進入後抗生素時代，」克利夫蘭診所（Cleveland Clinic）醫學博士 Jacob Scott 解釋道。「如果我們不改變追蹤細菌的方式，到 2050 年，死於抗生素耐藥性感染的人數將超過死於癌症的人數。」
克利夫蘭診所的研究人員開發了一種人工智慧 (AI) 模型，該模型可以僅根據細菌在特定擾動下生長的速度，確定治療細菌感染的最佳藥物組合和時間表。
相關研究以「Reinforcement learning informs optimal treatment strategies to limit antibiotic resistance」為題，於 2024 年 2 月 23 日，釋出在《Proceedings of the National Academy of Sciences》（PNAS）上。
細菌快速複製，產生突變的後代。過度使用抗生素讓細菌有機會練習產生抵抗治療的突變。隨著時間的推移，抗生素會殺死所有敏感細菌，只留下抗生素無法殺死的更強的突變體。
醫生們使用的一種策略是抗生素輪換（cycling），來使我們治療細菌感染的方式現代化。醫療保健提供者在特定時期輪流使用不同的抗生素。更換不同的藥物可以縮短細菌對任何一類抗生素產生耐藥性的時間。輪換甚至會使細菌對其他抗生素更敏感。
「藥物輪換在有效治療疾病方面顯示出很大的希望，」該研究的第一作者、醫學生 Davis Weaver 博士說。「問題是我們不知道最好的方法。醫院之間沒有統一的標準來規定使用哪種抗生素、使用多長時間、按照什麼順序使用。」
研究合著者 Jeff Maltas 博士是克利夫蘭診所的博士後研究員，他使用計算機模型來預測細菌對一種抗生素的耐藥性將如何使其對另一種抗生素的耐藥性減弱。他與 Weaver 博士合作，研究資料驅動的模型是否可以預測藥物輪換方案，從而最大限度地減少抗生素耐藥性，並最大限度地提高抗生素敏感性，儘管細菌進化具有隨機性。
Weaver 博士帶頭將強化學習應用於藥物輪換模型，該模型教會計算機從錯誤和成功中學習，以確定完成任務的最佳策略。這項研究是首批將強化學習應用於抗生素輪換療法的研究之一。Weaver 和 Maltas 說。
「強化學習是一種理想的方法，因為你只需要知道細菌生長的速度，這相對容易確定，」Weaver 博士解釋說。「也存在人為變化和錯誤的空間。你不需要每次都完美地測量增長率，精確到毫秒。」
研究團隊的 AI 能夠找出最有效的抗生素輪換計劃，來治療多種大腸桿菌菌株並防止耐藥性。Maltas 博士說，研究表明 AI 可以支援複雜的決策，例如計算抗生素治療方案。
Weaver 博士解釋說，除了管理個別患者的感染之外，該團隊的 AI 模型還可以告知醫院如何全面治療感染。他和他的研究團隊還致力於將他們的工作從細菌感染擴充套件到其他致命疾病。
「這個想法不僅限於細菌，它可以應用於任何能夠產生治療耐藥性的東西，」他說。「未來我們相信這些型別的人工智慧也可以用於治療耐藥癌症。」
參考內容：https://medicalxpress.com/news/2024-04-ai-treatments-superbugs.html