ปัญญาประดิษฐ์สามารถพัฒนาวิธีการรักษาเพื่อป้องกัน 'superbugs'

นักวิจัยที่ Cleveland Clinic ได้พัฒนาแบบจำลองปัญญาประดิษฐ์ (AI) ที่สามารถระบุการผสมผสานและช่วงเวลาที่ดีที่สุดในการสั่งจ่ายยาเพื่อรักษาการติดเชื้อแบคทีเรียโดยพิจารณาจากอัตราการเติบโตของแบคทีเรียภายใต้การสัมผัสบางอย่างเท่านั้น ทีมงานที่นำโดย Dr. Jacob Scott และห้องปฏิบัติการของเขาในแผนกทฤษฎีของ Translational Hematology and Oncology ได้เผยแพร่ผลลัพธ์ของพวกเขาใน Proceedings of the National Academy of Sciences หน้า>

ยาปฏิชีวนะได้รับการยกย่องว่ามีอายุขัยยืนยาวขึ้นในสหรัฐอเมริกาเกือบหนึ่งทศวรรษ การรักษาช่วยลดอัตราการเสียชีวิตจากปัญหาสุขภาพที่เราถือว่าเล็กน้อย เช่น บาดแผลและการบาดเจ็บบางส่วน อย่างไรก็ตาม ยาปฏิชีวนะไม่ได้ผลดีเหมือนเมื่อก่อนอีกต่อไป ส่วนหนึ่งเนื่องมาจากการใช้อย่างแพร่หลาย

“องค์กรด้านสุขภาพทั่วโลกเห็นพ้องกันว่าเรากำลังเข้าสู่ยุคหลังการใช้ยาปฏิชีวนะ” ดร. สก็อตต์อธิบาย “หากเราไม่เปลี่ยนวิธีต่อสู้กับแบคทีเรีย ภายในปี 2050 ผู้คนจะเสียชีวิตจากการติดเชื้อดื้อยาปฏิชีวนะมากกว่ามะเร็ง”

แบคทีเรียขยายตัวอย่างรวดเร็ว ทำให้เกิดลูกหลานกลายพันธุ์ การใช้ยาปฏิชีวนะมากเกินไปทำให้แบคทีเรียมีโอกาสเกิดการกลายพันธุ์ที่ดื้อต่อการรักษา เมื่อเวลาผ่านไป ยาปฏิชีวนะจะฆ่าแบคทีเรียที่อ่อนแอทั้งหมด เหลือเพียงสายพันธุ์กลายที่แข็งแกร่งกว่าซึ่งยาปฏิชีวนะไม่สามารถทำลายได้

กลยุทธ์ที่แพทย์ใช้เพื่อปรับปรุงการรักษาโรคติดเชื้อแบคทีเรียให้ทันสมัยเรียกว่าการหมุนเวียนยาปฏิชีวนะ ผู้ให้บริการด้านสุขภาพจะสลับยาปฏิชีวนะที่แตกต่างกันในช่วงเวลาที่กำหนด การเปลี่ยนยาต่างๆ ช่วยให้แบคทีเรียมีเวลาน้อยลงในการพัฒนาการดื้อต่อยาปฏิชีวนะประเภทใดประเภทหนึ่ง การหมุนรอบอาจทำให้แบคทีเรียไวต่อยาปฏิชีวนะอื่นๆ มากขึ้น

“การหมุนเวียนยาแสดงให้เห็นประสิทธิภาพในการรักษาโรคได้อย่างมีประสิทธิภาพ” Davis Weaver, Ph.D. ผู้เขียนการศึกษาคนแรกและนักศึกษาแพทย์กล่าว “ปัญหาคือเราไม่ทราบวิธีที่ดีที่สุดที่จะทำมัน ไม่มีมาตรฐานว่าจะต้องให้ยาปฏิชีวนะชนิดใด ให้นานแค่ไหน และเรียงลำดับอย่างไร”

ผู้ร่วมเขียนการศึกษา ดร. Jeff Maltas นักวิจัยหลังปริญญาเอกที่ Cleveland Clinic ใช้แบบจำลองคอมพิวเตอร์เพื่อคาดการณ์ว่าความต้านทานของแบคทีเรียต่อยาปฏิชีวนะตัวหนึ่งทำให้พวกมันอ่อนแอลงกับอีกตัวหนึ่งได้อย่างไร เขาร่วมมือกับดร. วีเวอร์เพื่อสำรวจว่าแบบจำลองที่ขับเคลื่อนด้วยข้อมูลสามารถทำนายรูปแบบการหมุนเวียนยาที่ลดการดื้อยาปฏิชีวนะและเพิ่มความไวต่อยาปฏิชีวนะให้สูงสุด แม้ว่าลักษณะการสุ่มของแบคทีเรียจะมีลักษณะสุ่มก็ตาม

ดร. Weaver นำการประยุกต์ใช้การเรียนรู้แบบเสริมแรงมาใช้กับโมเดลการหมุนเวียนยา ซึ่งสอนคอมพิวเตอร์ให้เรียนรู้จากความผิดพลาดและความสำเร็จ เพื่อกำหนดกลยุทธ์ที่ดีที่สุดในการทำงานให้สำเร็จ ตามที่ดร. วีเวอร์และมอลตา การศึกษานี้เป็นหนึ่งในการศึกษาแรกๆ ที่ใช้การเรียนรู้แบบเสริมกำลังกับสูตรการหมุนเวียนยาปฏิชีวนะ

การจำลองวิวัฒนาการเชิงแผนผังและแนวทางการปรับให้เหมาะสมที่ได้รับการทดสอบแล้ว ที่มา: รายงานการประชุมของ National Academy of Sciences (2024) ดอย: 10.1073/pnas.2303165121

“การเรียนรู้แบบเสริมกำลังเป็นแนวทางที่เหมาะสมที่สุด เพราะคุณเพียงแค่ต้องรู้ว่าแบคทีเรียเติบโตเร็วแค่ไหน ซึ่งค่อนข้างง่ายที่จะระบุ” ดร. วีเวอร์อธิบาย “ยังมีช่องว่างสำหรับการเปลี่ยนแปลงและข้อผิดพลาดของมนุษย์ด้วย ไม่จำเป็นต้องวัดอัตราการเติบโตลงไปถึงมิลลิวินาทีทุกครั้ง”

ระบบ AI ของทีมวิจัยสามารถระบุแผนการหมุนเวียนยาปฏิชีวนะที่มีประสิทธิภาพมากที่สุดเพื่อรักษาเชื้อ E. Coli หลายสายพันธุ์และป้องกันการดื้อยา การศึกษาแสดงให้เห็นว่า AI สามารถสนับสนุนการตัดสินใจที่ซับซ้อนได้ เช่น การคำนวณกำหนดการรักษาด้วยยาปฏิชีวนะ ดร. มอลทาสกล่าว

ดร. Weaver อธิบายว่านอกเหนือจากการจัดการการติดเชื้อของผู้ป่วยแต่ละรายแล้ว โมเดล AI ของทีมยังสามารถแจ้งวิธีที่โรงพยาบาลรักษาโรคติดเชื้อโดยรวมได้ เขาและทีมวิจัยกำลังทำงานเพื่อขยายงานนอกเหนือจากการติดเชื้อแบคทีเรียไปสู่โรคร้ายแรงอื่นๆ

“แนวคิดนี้ไม่ได้จำกัดอยู่แค่แบคทีเรีย แต่สามารถนำไปใช้กับทุกสิ่งที่ทำให้เกิดความต้านทานต่อการรักษาได้” เขากล่าว “ในอนาคต เราเชื่อว่า AI ประเภทนี้สามารถนำไปใช้ในการจัดการมะเร็งที่ดื้อต่อการรักษาได้”