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

耶鲁大学公共卫生学院(Yale School of Public Health)的一组研究人员创建了一个机器学习模型，可以帮助识别用于治疗结核病的一类抗生素的耐药性。该工具可以加快提供最佳护理的过程。

　　

结核病仍然是全世界十大死因之一，2020年报告的死亡人数超过130万。这种疾病耐药形式的出现和传播在许多情况下使结核病的控制复杂化。增加挑战的是，治疗耐药结核病很困难(2019年成功率为57%)、旷日持久(治疗可能需要9-20个月)和多面性(治疗通常需要多种抗生素，而这些抗生素有严重的副作用)。

治疗耐药结核病的一类关键抗生素是氟喹诺酮类，它是大多数耐药结核病方案的支柱。然而，结核病菌株已经进化到对氟喹诺酮类药物具有耐药性，削弱了包括这类抗生素在内的治疗方案的疗效。理想情况下，耐药结核病患者的最佳治疗方案是通过药敏试验确定的，这种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，这些检测在资源匮乏、负担沉重的环境中是稀缺的，这意味着这些地区的个人无法获得能最好地治疗其结核病的专门治疗。此外，即使它们是可用的，表型测试可能需要长达12周的时间来提供结果。

耶鲁大学公共卫生学院卫生政策助理教授Reza yaaesoubi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，这可能会加快提供最佳护理的过程。该研究组利用摩尔多瓦共和国收集的国家结核病数据，评估了人口和临床因素是否可作为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可以作为耐药性的可靠预测因素。然后，他们通过机器学习创建了一个模型，以估计患者感染了对氟喹诺酮耐药的结核病菌株的概率。

yaaesoubi说:“这些预测模型的主要优势之一是，它们可以在护理点部署，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。”

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，yaaesoubi的模型解释了个人的环境如何影响对氟喹诺酮类药物耐药的可能性，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，这组科学家发现，在为耐药结核病患者指定适当的治疗方法方面，新模型在统计上有更高的净效益。Yaesoubi说，这些发现有望建立一个系统，使结核病患者得到更好的治疗。展望未来，他希望将该模型从摩尔多瓦共和国收集的数据扩展到其他资源不足、负担沉重的地区。

他说:“我们正计划研究是否可以为其他关键类别的抗生素以及耐药结核病负担沉重的其他国家开发类似的预测模型。”

这项研究发表在PLOS数字健康杂志上。

文章标题

使用机器学习方法预测利福平耐药结核病患者对氟喹诺酮类药物的耐药性