ปัญญาประดิษฐ์สามารถพัฒนาวิธีการรักษาเพื่อป้องกัน 'แบคทีเรียซุปเปอร์' ได้

นักวิจัยที่คลินิกคลีฟแลนด์ได้พัฒนาโมเดลปัญญาประดิษฐ์ (AI) ที่สามารถกำหนดชุดยาและช่วงเวลาที่เหมาะสมที่สุดของยาในการรักษาการติดเชื้อแบคทีเรียโดยอาศัยอัตราการเติบโตของแบคทีเรียภายใต้เงื่อนไขบางประการเท่านั้น ทีมวิจัยซึ่งนำโดยดร. เจคอบ สก็อตต์และห้องปฏิบัติการของเขาในแผนกทฤษฎีการแปลผลโลหิตวิทยาและมะเร็งวิทยา ได้เผยแพร่ผลการวิจัยในวารสาร Proceedings of the National Academy of Sciencesเมื่อ ไม่นานนี้

ยาปฏิชีวนะได้รับการยกย่องว่าช่วยเพิ่มอายุขัยเฉลี่ยในสหรัฐอเมริกาได้เกือบทศวรรษ การรักษาดังกล่าวช่วยลดอัตราการเสียชีวิตจากปัญหาสุขภาพที่ปัจจุบันเรามองว่าเป็นเรื่องเล็กน้อย เช่น บาดแผลหรือการบาดเจ็บ แต่ยาปฏิชีวนะไม่ได้ผลดีเหมือนเมื่อก่อนอีกต่อไป ส่วนหนึ่งเป็นเพราะมีการใช้กันอย่างแพร่หลาย

“องค์กรด้านสุขภาพทั่วโลกเห็นพ้องกันว่าเรากำลังเข้าสู่ยุคหลังยาปฏิชีวนะ” ดร. สก็อตต์อธิบาย “หากเราไม่เปลี่ยนวิธีต่อสู้กับแบคทีเรีย ภายในปี 2050 ผู้คนจะเสียชีวิตจากการติดเชื้อดื้อยามากกว่าจากโรคมะเร็ง”

แบคทีเรียขยายพันธุ์อย่างรวดเร็วและผลิตลูกหลานที่กลายพันธุ์ การใช้ยาปฏิชีวนะมากเกินไปทำให้แบคทีเรียมีโอกาสพัฒนากลายพันธุ์ที่ดื้อต่อการรักษา เมื่อเวลาผ่านไป ยาปฏิชีวนะจะฆ่าแบคทีเรียที่อ่อนไหวทั้งหมด เหลือไว้เพียงแบคทีเรียกลายพันธุ์ที่แข็งแกร่งกว่าซึ่งยาปฏิชีวนะไม่สามารถฆ่าได้

กลยุทธ์อย่างหนึ่งที่แพทย์ใช้ในการปรับกระบวนการรักษาการติดเชื้อแบคทีเรียให้มีประสิทธิภาพมากขึ้น เรียกว่า การหมุนเวียนการใช้ยาปฏิชีวนะ เจ้าหน้าที่สาธารณสุขจะสลับกันใช้ยาปฏิชีวนะชนิดต่างๆ กันไปตามเวลา การสลับใช้ยาปฏิชีวนะชนิดต่างๆ กันทำให้แบคทีเรียมีเวลาน้อยลงในการพัฒนาการดื้อยาในกลุ่มใดกลุ่มหนึ่ง การหมุนเวียนการใช้ยาปฏิชีวนะอาจทำให้แบคทีเรียไวต่อยาปฏิชีวนะชนิดอื่นๆ มากขึ้นด้วย

“การหมุนเวียนยาอาจช่วยให้รักษาโรคได้อย่างมีประสิทธิภาพ” ดร. เดวิส วีเวอร์ ผู้เขียนคนแรกและนักศึกษาแพทย์จากการศึกษากล่าว “ปัญหาคือ เราไม่ทราบวิธีที่ดีที่สุดในการทำ ไม่มีมาตรฐานว่าจะต้องให้ยาปฏิชีวนะชนิดใด นานแค่ไหน หรือในลำดับใด”

ดร. เจฟฟ์ มอลทัส ผู้เขียนร่วมของการศึกษาวิจัยซึ่งเป็นนักวิจัยหลังปริญญาเอกที่คลินิกคลีฟแลนด์ ใช้แบบจำลองคอมพิวเตอร์เพื่อทำนายว่าการดื้อยาของแบคทีเรียต่อยาปฏิชีวนะชนิดหนึ่งจะทำให้แบคทีเรียอ่อนแอลงเมื่อเปรียบเทียบกับอีกชนิดหนึ่งได้อย่างไร เขาจึงร่วมมือกับดร. วีเวอร์ เพื่อดูว่าแบบจำลองที่ขับเคลื่อนด้วยข้อมูลสามารถทำนายรูปแบบการหมุนเวียนยาที่ช่วยลดความต้านทานต่อยาปฏิชีวนะและเพิ่มความไวต่อยาได้หรือไม่ แม้ว่าวิวัฒนาการของแบคทีเรียจะมีลักษณะสุ่มก็ตาม

ดร. วีเวอร์เป็นผู้นำการประยุกต์ใช้การเรียนรู้แบบเสริมแรงกับรูปแบบการหมุนเวียนยา ซึ่งสอนให้คอมพิวเตอร์เรียนรู้จากข้อผิดพลาดและความสำเร็จเพื่อกำหนดกลยุทธ์ที่ดีที่สุดในการทำงานให้สำเร็จ การศึกษาครั้งนี้เป็นหนึ่งในการศึกษากลุ่มแรกๆ ที่นำการเรียนรู้แบบเสริมแรงมาใช้กับรูปแบบการหมุนเวียนยาปฏิชีวนะ ตามที่ดร. วีเวอร์และมอลตาได้กล่าวไว้

การจำลองวิวัฒนาการตามแผนผังและวิธีการเพิ่มประสิทธิภาพที่ผ่านการทดสอบแล้ว แหล่งที่มา: Proceedings of the National Academy of Sciences (2024) DOI: 10.1073/pnas.2303165121

“การเรียนรู้แบบเสริมแรงเป็นแนวทางที่เหมาะสมที่สุด เพราะคุณจำเป็นต้องรู้เพียงว่าแบคทีเรียเติบโตเร็วแค่ไหน ซึ่งค่อนข้างจะระบุได้ค่อนข้างง่าย” ดร. วีเวอร์อธิบาย “นอกจากนี้ ยังมีช่องว่างสำหรับการเปลี่ยนแปลงและข้อผิดพลาดของมนุษย์ คุณไม่จำเป็นต้องวัดอัตราการเติบโตลงไปจนถึงมิลลิวินาทีทุกครั้ง”

AI ของทีมวิจัยสามารถค้นหาแผนการหมุนเวียนยาปฏิชีวนะที่มีประสิทธิภาพสูงสุดในการรักษาเชื้ออีโคไลหลายสายพันธุ์และป้องกันการดื้อยาได้ การศึกษาแสดงให้เห็นว่า AI สามารถรองรับการตัดสินใจที่ซับซ้อน เช่น การคำนวณตารางการรักษาด้วยยาปฏิชีวนะ ดร. มอลทัสกล่าว

ดร. วีเวอร์อธิบายว่านอกเหนือจากการจัดการการติดเชื้อในผู้ป่วยรายบุคคลแล้ว โมเดล AI ของทีมยังสามารถให้ข้อมูลเกี่ยวกับวิธีการที่โรงพยาบาลรักษาการติดเชื้อโดยรวมได้ เขาและทีมวิจัยยังทำงานเพื่อขยายขอบเขตการทำงานของตนให้กว้างไกลออกไปนอกเหนือจากการติดเชื้อแบคทีเรียไปจนถึงโรคร้ายแรงอื่นๆ

“แนวคิดนี้ไม่ได้จำกัดอยู่แค่แบคทีเรียเท่านั้น แต่ยังสามารถนำไปใช้กับวัตถุใดๆ ก็ได้ที่อาจดื้อต่อการรักษา” เขากล่าว “ในอนาคต เราเชื่อว่า AI ประเภทนี้สามารถนำมาใช้เพื่อจัดการกับมะเร็งที่ดื้อต่อการรักษาได้”