Detailseite
Projekt
Vorhersage von Antibiotikaresistenzen mit 'Machine Learning' Algorithmen
Fachliche Zuordnung
Epidemiologie und Medizinische Biometrie/Statistik
Medizinische Mikrobiologie und Mykologie, Hygiene, Molekulare Infektionsbiologie
Medizinische Mikrobiologie und Mykologie, Hygiene, Molekulare Infektionsbiologie
Förderung
Förderung seit 2024
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 544920804
Die Verbreitung von Antibiotikaresistenzen ist ein weltweites Problem und fordert zunehmend Todesopfer (ca. 4,95 Mio. in 2019). Um diese Entwicklung einzudämmen, muss der Gebrauch von Antibiotika reduziert werden bzw. zielgerichteter erfolgen. Aktuell ist der rationale Einsatz von Antibiotika durch langsame Diagnostikmethoden eingeschränkt. Schnelle Verfahren zur Empfindlichkeitstestung von Antibiotika sind daher erforderlich. Das Risiko von Infektionen mit antibiotikaresistenten Erregern wird nicht nur durch den Erreger (z.B. Resistenzgene), sondern auch durch den Wirt/Mensch (z.B. Medikamente, Vorerkrankungen) und die Umwelt (z.B. berufliche Exposition, Aufenthalt in einem Pflegeheim, etc.) bestimmt. Wir wollen daher untersuchen, ob anhand von Erreger-, Patienten- und Umweltdaten eine genaue Prognose von Antibiotikaresistenzen mittels Machine-Learning-(ML)-Methoden möglich ist. Diese Prognose läge unmittelbar nach der Speziesidentifizierung vor, 18-24 h schneller als die bisherigen kulturbasierten Methoden. Wir wollen nicht nur die Resistenz, sondern die genaue minimale Hemmkonzentration (MHK) vorhersagen. Die MHK ist unabhängig von den sich stetig ändernden MHK-Grenzwerten, ab wann ein Erreger als resistent gilt, sodass unsere vorgeschlagenen Modelle generalisiert werden könnten. Wir werden eine projektspezifische retrospektive Datenbank von Patienten anlegen (2021–2023), die aufgrund einer bakteriellen Infektion im Universitätsklinikum Münster behandelt wurden. Wir werden für jede Kombination aus Spezies und Antibiotikum verschiedene ML-Modelle anpassen und vergleichen, darunter Random Forests, Extreme Gradient Boosting, Support Vector Machines, Regularized Linear Regressions und Neural Networks. Jedes Modell umfasst eine Pipeline inklusive Preprocessing, Variablenselektion etc., deren Hyperparameter optimiert werden. Ziel ist es, das beste ML-Modell und die wichtigsten Einflussgrößen zu identifizieren und es durch ein weniger komplexes Modell zu approximieren, das im klinischen Alltag verwendet werden kann. Die Generalisierbarkeit der Vorhersagefähigkeit der finalen ML-Modelle werden wir an einem separaten Datensatz aus einer anderen geographischen Region in Deutschland validieren. In einem retrospektiven Patientenkollektiv werden wir prüfen, ob die Prognose von Antibiotikaresistenzen mittels ML-Algorithmen die Verschreibung von Antibiotika verbessert hätte. Dazu werden die vorhergesagten MHK in die Kategorien „empfindlich“, „empfindlich bei erhöhter Exposition“ und „resistent“ basierend auf EUCAST Grenzwerten übersetzt. Wir werden die ML-basierte Vorhersage mit der Verschreibung des medizinischen Personals vergleichen. Mithilfe der vorgeschlagenen Studie können wir dazu beitragen, inwiefern ML-Algorithmen in die mikrobiologische Diagnostik integriert werden können, um durch die Verwendung von Erreger-, Patienten- und Umweltdaten eine Verbesserung der Antibiotikaverschreibung zu erreichen.
DFG-Verfahren
Sachbeihilfen
