A resistência a antibióticos é uma causa significativa de mortalidade, destacando a necessidade premente de métodos rápidos e eficientes para orientar a administração racional de antibióticos, conhecidos coletivamente como programas de gestão de antimicrobianos (ASP). As prescrições de antibióticos podem resultar na seleção de organismos resistentes a medicamentos, afetando não apenas pacientes individuais, mas também o microbioma do paciente e a sociedade como um todo. A gestão eficaz das infecções requer a integração de informações amplas e complexas para tomadas de decisão responsáveis.
Além das diretrizes baseadas em evidências, existem diversos sistemas de suporte à decisão clínica (CDSS) e biomarcadores comumente utilizados para orientar o tratamento. Em uma revisão recente, foram identificados vários usos de aprendizado de máquina para suporte à decisão clínica em doenças infecciosas, incluindo o suporte ao diagnóstico, a previsão da gravidade da doença e a seleção de tratamento antimicrobiano adequado. Os CDSS atualmente utilizados são sistemas especialistas assistidos por computador, baseados em conhecimento humano (baseado em conhecimento), subsequentemente traduzidos em regras manualmente programadas no sistema, tentando simular ou reproduzir a capacidade de tomada de decisão de um especialista em uma tarefa específica. Em contraste com os sistemas especialistas, os CDSS assistidos por ML são capazes de aprender automaticamente e melhorar a partir de dados (baseados em dados), definir suas próprias regras e interpretar situações desconhecidas.
O desenvolvimento de CDSS-ML usando variáveis mínimas pode ser benéfico quando os dados não estão prontamente disponíveis em determinadas áreas ou quando os recursos são limitados. Deve-se prestar atenção especial às variáveis utilizadas pelos CDSS-ML para prever seu resultado. Além disso, é difícil desenvolver e validar CDSS-ML sem dados clínicos de alta qualidade. É essencial construir um banco de dados clínico abrangente para que os clínicos possam utilizar futuras ferramentas de aprendizado de máquina com confiança.
Modelos de suporte à decisão para tratamento empírico de sepse podem integrar preditores de resistência a antibióticos e permitir a desescalada rápida de antibióticos sem comprometer o tratamento oportuno e suficiente. Além disso, resultados anteriores de susceptibilidade a antibióticos fornecem informações importantes para prever resistência a infecções existentes. Em um estudo recente, Sick-Samuels et al. construíram uma árvore de decisão usando particionamento recursivo para prever o risco de resistência a antibióticos de amplo espectro em uma coorte de pacientes pediátricos sépticos com base em cinco fatores de risco distintos. Quase metade dos episódios de resistência a antibióticos de amplo espectro de alto risco foram categorizados incorretamente como episódios de baixo risco, e 9% foram categorizados incorretamente como episódios de alto risco. Uma abordagem alternativa poderia melhorar a sensibilidade do algoritmo de previsão capturando características ou variáveis adicionais do paciente.
Em um estudo retrospectivo realizado em um hospital infantil no Camboja, Oonsivalai e colegas propuseram um sistema de suporte à decisão baseado em dados do paciente usando uma variedade de técnicas de aprendizado de máquina. Concentrando-se principalmente na ceftriaxona, uma cefalosporina de terceira geração, o antibiótico empírico mais frequentemente prescrito na prática em seu local de estudo, eles se concentraram especificamente no valor do uso dos modelos preditivos para identificar pacientes com alto risco de estarem infectados com organismos resistentes a ele. A idade do paciente, um escore de peso ajustado por idade e se a infecção foi adquirida no hospital ou na comunidade foram revelados como os fatores mais cruciais para prever a suscetibilidade a antibióticos. Essas são variáveis objetivas frequentemente coletadas na maioria dos ambientes terapêuticos. As outras variáveis dos modelos também podem ser rapidamente e economicamente coletadas usando questionários breves. Os cálculos subjacentes às previsões podem ser facilmente realizados remotamente usando qualquer dispositivo conectado à Internet em questão de segundos em um computador de baixo custo. Isso torna a estratégia extremamente adequada para configurações em países de baixa e média renda (LMIC), que muitas vezes têm a maior carga de doença e os problemas mais urgentes com a resistência a antibióticos.
Em um estudo recente, Liang et al. desenvolveram um modelo preditivo impulsionado por ML para a previsão oportuna do carreamento de GNB resistentes a carbapenêmicos entre pacientes de UTI dentro de uma semana. Os portadores de GNB resistentes a carbapenêmicos podem ser previstos em tempo real, ajudando a equipe médica a implementar medidas mais direcionadas de prevenção e controle de infecções nosocomiais para evitar a transmissão. Provavelmente, o maior destaque do estudo é que ele foi validado prospectivamente por 4 meses, o que significa que o modelo foi utilizado em um ambiente clínico, tendo uma precisão de 84%. No entanto, é difícil determinar se o desenvolvimento do modelo é mais eficaz do que a implementação de outras ferramentas de prevenção de infecções.
Sakkagianni após a realização de uma pesquisa literaria na área conseguiu encontrar várias pesquisas importantes que conseguem demonstrar um grande avanço e utilibilidade da utilização de aprendizado de máquina para suporte de decisoes clinicas, como pode ser visto na tabela abaixo:
