Künstliche Intelligenz könnte Behandlungen zur Vorbeugung von „Superbakterien“ entwickeln

Forscher der Cleveland Clinic haben ein Modell der künstlichen Intelligenz (KI) entwickelt, das die beste Kombination und den besten Zeitpunkt für die Verschreibung von Medikamenten zur Behandlung einer bakteriellen Infektion allein auf der Grundlage der bakteriellen Wachstumsrate unter bestimmten Belastungen bestimmen kann. Ein Team unter der Leitung von Dr. Jacob Scott und seinem Labor in der Theoretischen Abteilung für Translationale Hämatologie und Onkologie veröffentlichte kürzlich seine Ergebnisse in den Proceedings of the National Academy of Sciences.

Antibiotika haben die Lebenserwartung in den Vereinigten Staaten um fast ein Jahrzehnt erhöht. Die Behandlung reduzierte die Sterberate bei Gesundheitsproblemen, die wir heute als geringfügig betrachten, wie etwa einige Schnittwunden und Verletzungen. Antibiotika wirken jedoch nicht mehr so gut wie früher, was teilweise auf ihre weit verbreitete Verwendung zurückzuführen ist.

„Globale Gesundheitsorganisationen sind sich einig, dass wir in eine postantibiotische Ära eintreten“, erklärt Dr. Scott. „Wenn wir die Art und Weise, wie wir Bakterien bekämpfen, nicht ändern, werden bis 2050 mehr Menschen an antibiotikaresistenten Infektionen sterben als an Krebs.“

Bakterien vermehren sich schnell und produzieren mutierte Nachkommen. Übermäßiger Einsatz von Antibiotika gibt Bakterien die Möglichkeit, Mutationen zu entwickeln, die gegen Behandlungen resistent sind. Mit der Zeit töten Antibiotika alle anfälligen Bakterien ab, sodass nur stärkere Mutanten übrig bleiben, die Antibiotika nicht zerstören können.

Eine Strategie, die Ärzte zur Modernisierung der Behandlung bakterieller Infektionen anwenden, ist die sogenannte Antibiotikarotation. Gesundheitsdienstleister wechseln über bestimmte Zeiträume zwischen verschiedenen Antibiotika. Durch den Wechsel zwischen verschiedenen Medikamenten haben Bakterien weniger Zeit, Resistenzen gegen eine bestimmte Antibiotikaklasse zu entwickeln. Durch die Rotation können Bakterien sogar anfälliger für andere Antibiotika werden.

„Medikamentenrotation ist vielversprechend für die wirksame Behandlung von Krankheiten“, sagt der Erstautor der Studie und Medizinstudent Davis Weaver, Ph.D. „Das Problem ist, dass wir nicht wissen, wie man es am besten macht. Es gibt keine Standards dafür, welches Antibiotikum wie lange und in welcher Reihenfolge verabreicht werden soll.“

Der Co-Autor der Studie, Dr. Jeff Maltas, ein Postdoktorand an der Cleveland Clinic, verwendet Computermodelle, um vorherzusagen, wie die Resistenz von Bakterien gegen ein Antibiotikum sie gegenüber einem anderen schwächt. Gemeinsam mit Dr. Weaver erforschte er, ob sich mit datengesteuerten Modellen Medikamentenrotationsmuster vorhersagen lassen, die die Antibiotikaresistenz minimieren und die Antibiotikaempfindlichkeit maximieren, und zwar trotz der zufälligen Natur der bakteriellen Evolution.

Dr. Weaver war federführend bei der Anwendung des Reinforcement Learning auf das Medikamentenrotationsmodell, das einem Computer beibringt, aus seinen Fehlern und Erfolgen zu lernen, um die beste Strategie zur Erledigung einer Aufgabe zu bestimmen. Laut Dr. Weaver und Dr. Maltas ist diese Studie eine der ersten, die Reinforcement Learning auf Antibiotikarotationsschemata anwendet.

Schematische Evolutionssimulation und getestete Optimierungsansätze. Quelle: Proceedings of the National Academy of Sciences (2024). DOI: 10.1073/pnas.2303165121

„Reinforcement Learning ist ein idealer Ansatz, da man nur wissen muss, wie schnell die Bakterien wachsen, was relativ einfach zu bestimmen ist“, erklärt Dr. Weaver. „Es gibt auch Raum für Variationen und menschliches Versagen. Es ist nicht nötig, die Wachstumsrate jedes Mal auf die Millisekunde genau zu messen.“

Die KI des Forschungsteams konnte die wirksamsten Antibiotika-Rotationspläne ermitteln, um mehrere E. Coli-Stämme zu behandeln und Arzneimittelresistenzen vorzubeugen. Die Studie zeigt, dass KI komplexe Entscheidungen unterstützen kann, wie etwa die Berechnung von Antibiotika-Behandlungsplänen, sagt Dr. Maltas.

Dr. Weaver erklärt, dass das KI-Modell des Teams nicht nur die Infektion eines einzelnen Patienten behandeln kann, sondern auch Aufschluss darüber geben kann, wie Krankenhäuser Infektionen insgesamt behandeln. Er und sein Forschungsteam arbeiten auch daran, ihre Arbeit über bakterielle Infektionen hinaus auf andere tödliche Krankheiten auszuweiten.

„Diese Idee ist nicht auf Bakterien beschränkt, sondern kann auf alles angewendet werden, was eine Resistenz gegen eine Behandlung entwickeln kann“, sagt er. „Wir glauben, dass diese Art von KI in Zukunft zur Behandlung behandlungsresistenter Krebserkrankungen eingesetzt werden könnte.“