Criza antibioticelor devine o problemă concretă, nu doar un subiect dezbătut în rapoarte medicale sau conferințe de specialitate. Semnele se evidențiază în unitățile sanitare, prin infecții care nu mai răspund tratamentelor convenționale și prin creșterea pericolelor pentru intervenții minore, de la operații de rutină până la gestionarea răni infectate.

În același timp, producția de noi antibiotice a scăzut semnificativ. Motivele sunt complexe, incluzând costurile uriașe ale cercetării și faptul că antibioticele, spre deosebire de medicamentele pentru boli cronice, sunt utilizate pe perioade scurte și nu generează același nivel de profit. Inteligența artificială (IA) promite să schimbe această paradigmă, accelerând două etape critice: identificarea de compuși complet noi și valorificarea mai eficientă a antibioticelor existente pentru a le menține eficiența pe termen lung.

De ce sunt necesare antibiotice noi și cum revoluționează IA procesul de descoperire

Rezistența antimicrobiană apare atunci când bacteriile evoluează și devin capabile să evite acțiunea medicamentelor menite să le distrugă. La nivel global, această problemă a cauzat deja peste 1,27 milioane de decese directe, iar în total, 4,95 milioane de decese sunt atribuite rezistenței bacteriene, conform celor mai recente analize. Organizația Mondială a Sănătății consideră această situație o amenințare majoră pentru sănătatea publică, întrucât limitează drastic opțiunile terapeutice disponibile.

Procedeul tradițional de descoperire a noilor antibiotice pornește de la testarea unor biblioteci extinse de compuși, urmată de optimizări chimice și un proces îndelungat de studii preclinice și clinice. Acest parcurs este lent, costisitor și afectat frecvent de obstacole precum toxicitarea, incapacitatea de a ajunge la țintă în organism sau dezvoltarea rapidă a rezistenței bacteriene. IA poate revoluționa această etapă inițială, concentrându-se pe identificarea rapidă a moleculelor candidate într-un “univers chimic” imens, dificil de explorat exhaustiv prin metode convenționale.

Modelele generative pot propune structuri moleculare inedite, care nu se află în bazele de date existente. Ulterior, alte algoritme pot estima rapid proprietăți precum eficacitatea antibacteriană, potencțialul de toxicitate sau stabilitatea chimică. Practic, în loc să cauți acul în carul cu fân, începi să generezi posibile candidate, pe care le filtrezi riguros până când rămân cele promițătoare pentru sinteză în laborator.

Antibiotice dezvoltate cu ajutorul AI: anunțul MIT și impactul său

Un exemplu relevant în domeniul „descoperirii de molecule” provine dintr-un proiect al Institutului Tehnologic din Massachusetts (MIT), care a introdus un sistem bazat pe IA generativă pentru crearea de noi antibiotice. Echipa a subliniat faptul că modelul nu se limitează la baze de date existente, ci poate genera compuși complet inedite, evaluându-i ulterior prin predicții succesive înainte de sinteza efectivă.

Măsura are o importanță majoră, deoarece cercetarea s-a concentrat pe agenți patogeni problematici, precum MRSA (Staphylococcus aureus rezistent la methicilină) și Neisseria gonorrhoeae (care cauzează gonoreea). În comunicarea publică, echipa a prezentat un proces de la un număr mare de propuneri generate de IA la un set mic de compuși sintetizați, dintre care unii au demonstrat activitate antibacteriană fără a afecta celulele umane în testele inițiale. Din perspectivă practică, acest lucru indică faptul că IA poate diminua semnificativ timpul și costurile în etapele preliminare ale dezvoltării.

Totuși, este esențial să păstrăm un echilibru între entuziasm și realism. Rezultatele promițătoare din laborator nu garantează automat aprobarea și comercializarea unui medicament. Urmează procese de optimizare, teste pe animale, evaluări de siguranță și studii clinice, care pot eșua din motive imprevizibile. Chiar și așa, aplicabilitatea IA rămâne valoroasă: dacă poți genera mai rapid și mai economic un număr mai mare de candidați de calitate, crești probabilitatea de a descoperi „medicamentul” căruia îi poți atribui succesul pe piață.

IA în managementul terapiei, nu doar în dezvoltarea de noi medicamente: modelul KI.SEP pentru dozare personalizată în sepsis

Un aspect mai puțin discutat, dar la fel de relevant, îl reprezintă utilizarea IA pentru menținerea eficienței antibioticelor în timpul tratamentului. Un studiu publicat în BMJ Open prezintă proiectul KI.SEP, care vizează ajustarea dozajului antibioticelor pentru pacienții cu sepsis din unitățile de terapie intensivă, folosind modele de machine learning pentru a estima concentrațiile serice ale medicamentelor.

Contextul este clar și critic: în sepsis, corpul pacientului prezintă variabilitate extremă (funcție renală, distribuție a medicamentului, inflamație), iar dozele standard pot duce atât la subdozare, risc de eșec și rezistență, cât și la supradozare, cu riscuri de toxicitate. Monitorizarea terapeutică (TDM) este soluția ideală, dar nu este disponibilă peste tot și, chiar acolo unde se utilizează, nu poate furniza rezultate rapide, mai ales în primele ore. Protocolul KI.SEP are ca scop dezvoltarea unor modele de învățare automată capabile să estimeze concentrațiile de piperacilină/tazobactam și meropenem, fără a depinde de TDM zilnic.

Stațiile de cercetare implicate includ un spital universitar din Germania, cu un eșantion de 200 de pacienți (100 tratați cu piperacilină/tazobactam și 100 cu meropenem), tratați în perfuzie continuă conform standardelor locale. Datele clinice și probele pentru TDM sunt colectate pe zilele 1–8 și la externare, iar modelele sunt antrenate utilizând o împărțire 70/30 pentru validare și antrenare. Abordarea cu două niveluri implică, pe de o parte, un model „universabil”, bazat pe parametri clinici de bază, și, pe de altă parte, un „model de precizie” ce include și date avansate precum proteomica și biomarkeri.

Proiectul își propune integrarea într-un sistem de suport decizional clinic (CDSS), pentru recomandări în timp real, personalizate, privind dozajul și momentele optime pentru TDM. În plus, se urmărește validarea externă pe un set de date independent, SepsisDataNet.NRW, cu 500 de pacienți, pentru a evita ajustarea excesivă pe un singur centru.

Limitări, riscuri și beneficiile reale pentru pacient și sistemul medical

Deși pare tentant, utilizarea IA în descoperirea și administrarea antibioticelor are și restricții fundamentale. În procesul de identificare a moleculelor, biologia rămâne un factor determinant: mediul uman este mult mai complicat decât o cultură în eprubetă, iar multe compuși promițători pot eșua în testele de siguranță, biodisponibilitate sau eficiență. Asta înseamnă că IA accelerează începutul decoperirii, dar nu poate înlocui etapa de validare riguroasă.

În utilizarea clinică, principalele riscuri derivă din calitatea datelor și modul în care deciziile generate de IA se adaptează realităților spitalicești. Chiar și studiul KI.SEP indică probleme precum date incomplete sau variabilitate în fișele pacientului, afectând performanța și fiabilitatea modelelor, fiind nevoie de tehnici de ajustare și selecție a variabilelor relevante. De asemenea, orice sistem de recomandare trebuie să fie clar și ușor de interpretat pentru personalul medical, altfel rămâne un experiment teoretic, fără impact în practică.

Pentru a traduce această revoluție într-un avantaj concret, trebuie reținută trei idei esențiale. În primul rând, IA poate accelera identificarea de antibiotice noi, dar această evoluție nu se produce peste noapte, fiind necesarulă prudenta până la validarea clinică. În al doilea rând, IA poate crește șansele ca tratamentul antiinfecțios să se administreze în doza corectă, mai ales în cazuri critice precum sepsisul, unde primele ore sunt decisive. În cele din urmă, chiar și cu ajutorul IA, prevenția, utilizarea responsabilă și monitoringul atent rămân fundamentale, pentru că bacteriile vor continua să evolueze, iar presiunea de selecție generată de utilizarea excesivă sau inadecvată a antibioticelor nu dispare doar pentru că utilizezi modele inteligente.