.png){kind=logo}
Utilice las variables clínicas de la EMR de los pacientes para predecir la resistencia a los antibióticos.
La resistencia a los antimicrobianos (AMR) se ha convertido en un grave problema de salud mundial. En las unidades de cuidados intensivos, la gravedad de la amenaza de la ADR se pone de manifiesto por el hecho de que entre el 30 y el 60% de los antibióticos recetados se consideran innecesarios, inapropiados o subóptimos (1) (2). Este alto nivel de uso indebido no solo socava la eficacia de los tratamientos, sino que también cataliza el avance de cepas bacterianas resistentes. Además, el acceso inadecuado a los antibióticos es alarmante, como lo demuestra el alto porcentaje de medicamentos que se venden sin receta: el 27% en las zonas urbanas y el 8% en las zonas rurales, lo que contribuye a la crisis de la resistencia a los antimicrobianos (3) (4). Además, la indulgencia en la dispensación de antibióticos en las farmacias, donde el 51,7% lo hace sin la receta adecuada (5) (6), sigue alimentando este riesgo para la salud mundial que amenaza con revertir décadas de progreso médico.
Para abordar el problema de la resistencia a los antimicrobianos, se ha diseñado el modelo «AMRForecast AI» para guiar a la comunidad médica en la prescripción de terapias antibióticas precisas. Al analizar los datos clínicos y genómicos, la IA de AMRForecast permite predecir la eficacia de los antibióticos.
El modelo integra dos conjuntos de datos principales. El recurso de datos genómicos (8) recopila secuencias genómicas de laboratorios clínicos, algo esencial para comprender la evolución de los patógenos. Los registros clínicos no estructurados provienen de los registros electrónicos de los pacientes (7) y contienen una gran cantidad de información que incluye datos demográficos, diagnósticos y resultados del tratamiento. Estos conjuntos de datos proporcionan una visión integral de la resistencia a los antimicrobianos, lo que permite a la IA detectar y analizar las tendencias de resistencia.
La resistencia a los antimicrobianos (AMR) se ha convertido en un grave problema de salud mundial. En las unidades de cuidados intensivos, la gravedad de la amenaza de la ADR se pone de manifiesto por el hecho de que entre el 30 y el 60% de los antibióticos recetados se consideran innecesarios, inapropiados o subóptimos (1) (2). Este alto nivel de uso indebido no solo socava la eficacia de los tratamientos, sino que también cataliza el avance de cepas bacterianas resistentes. Además, el acceso inadecuado a los antibióticos es alarmante, como lo demuestra el alto porcentaje de medicamentos que se venden sin receta: el 27% en las zonas urbanas y el 8% en las zonas rurales, lo que contribuye a la crisis de la resistencia a los antimicrobianos (3) (4). Además, la indulgencia en la dispensación de antibióticos en las farmacias, donde el 51,7% lo hace sin la receta adecuada (5) (6), sigue alimentando este riesgo para la salud mundial que amenaza con revertir décadas de progreso médico.
Para abordar el problema de la resistencia a los antimicrobianos, se ha diseñado el modelo «AMRForecast AI» para guiar a la comunidad médica en la prescripción de terapias antibióticas precisas. Al analizar los datos clínicos y genómicos, la IA de AMRForecast permite predecir la eficacia de los antibióticos.
Economic evaluations of antimicrobial stewardship programs, which often incorporate AI tools, have shown inpatient net savings ranging from $540 to $24,231 for each prevented death. These programs optimize antibiotic use, thereby reducing the incidence of resistant infections and associated treatment costs [8].
AI can assist in selecting the most effective antibiotic treatment for individual patients by analyzing their specific infection profiles and resistance patterns. This personalized approach reduces the misuse of antibiotics, a key factor in the development of AMR.
El modelo integra dos conjuntos de datos principales. El recurso de datos genómicos (8) recopila secuencias genómicas de laboratorios clínicos, algo esencial para comprender la evolución de los patógenos. Los registros clínicos no estructurados provienen de los registros electrónicos de los pacientes (7) y contienen una gran cantidad de información que incluye datos demográficos, diagnósticos y resultados del tratamiento. Estos conjuntos de datos proporcionan una visión integral de la resistencia a los antimicrobianos, lo que permite a la IA detectar y analizar las tendencias de resistencia.
