(Adnkronos) - Uno studio italiano dimostra come i dati clinici, l'intelligenza artificilale e la medicina di precisione possano guidare verso una rapida ed efficace scelta della terapia antibiotica. Lo studio, pubblicato sulla rivista 'International Journal of Infectious Diseases', coordinato dall'Idi-Irccs di Roma ed effettuato in collaborazione con università di Salerno, Kelyon, Cnr, Istituto superiore di sanità e università Link di Roma, utilizza un modello basato su machine learning e dimostra che è possibile prevedere con elevata accuratezza la sensibilità agli antibiotici attraverso l'uso di dati clinici e microbiologici raccolti nella pratica ospedaliera quotidiana. "La crescente diffusione dell'antibiotico-resistenza rappresenta una delle più gravi minacce per la salute pubblica a livello globale - si legge nello studio - Ogni ritardo nell'identificazione della terapia antibiotica più efficace può peggiorare gli esiti clinici dei pazienti, aumentare la durata dei ricoveri e favorire la selezione di microrganismi resistenti. Pertanto, prevedere efficacemente e rapidamente la risposta agli antibiotici può cambiare in maniera rilevante il decorso clinico di molte infezioni. Lo studio, condotto su quasi 10.000 pazienti italiani, dimostra che l'intelligenza artificiale può diventare un importante alleato dei medici nella scelta tempestiva e personalizzata degli antibiotici". 

La ricerca ha analizzato 15.581 isolati batterici provenienti da 9.966 pazienti assistiti tra il 2018 e il 2024 in due ospedali italiani. Utilizzando dati clinici e microbiologici raccolti routinariamente nella pratica ospedaliera, i ricercatori hanno sviluppato e validato un modello in grado di elaborare un 'antibiogramma digitale' che, con un'accuratezza superiore al 90%, prevede la sensibilità dei batteri ai diversi antibiotici, con almeno 48 ore di anticipo rispetto ai tempi necessari per ottenere l'antibiogramma standard. Tra i diversi algoritmi testati, "il modello XGBoost ha ottenuto le migliori prestazioni, raggiungendo valori di accuratezza particolarmente elevati nella previsione della suscettibilità agli antibiotici sia per batteri Gram-positivi sia per Gram-negativi. Le prestazioni sono risultate ancora più elevate quando i modelli sono stati applicati a specifiche specie batteriche tra cui: Pseudomonas aeruginosa, Klebsiella pneumoniae, Enterococcus faecalis, Escherichia coli, Proteus mirabilis, Staphylococcus aureus", spiegano gli autori.  

"Questi risultati dimostrano che le informazioni normalmente disponibili nelle cartelle cliniche e nei sistemi informativi ospedalieri, se correttamente utilizzate, possano essere sfruttate per supportare decisioni terapeutiche rapide, efficaci e mirate", evidenzia il microbiologo Giuseppe Piccinni, co-autore dello studio. Uno degli aspetti più rilevanti del lavoro riguarda il potenziale impatto clinico. Le metodiche microbiologiche tradizionali richiedono spesso fino a 48 ore per identificare il profilo completo di sensibilità agli antibiotici. I modelli sviluppati dai ricercatori italiani consentono invece di formulare una previsione affidabile in tempi molto più brevi, fornendo suggerimenti e valutazioni utili al medico per la scelta della terapia. "Ridurre il tempo necessario per somministrare l'antibiotico corretto può fare la differenza soprattutto in pazienti fragili o in condizioni critiche, contribuendo a migliorare gli esiti clinici, ridurre la mortalità associata alle infezioni gravi, diminuire la durata delle ospedalizzazioni, ridurre i costi sanitari, limitare l'uso non necessario di antibiotici ad ampio spettro, combattere l'insorgenza di resistenze agli antibiotici", sottolineano gli esperti. 

Questo studio applica concretamente il paradigma della medicina personalizzata, poiché le scelte terapeutiche suggerite non dipendono esclusivamente dal microrganismo isolato, ma anche dalle caratteristiche individuali del paziente. "Malgrado la rilevanza dei risultati raccolti, non si deve pensare che l'intelligenza artificiale finirà col sostituire il medico. Le previsioni generate dai modelli potranno essere ulteriormente migliorate, ma rappresentano uno strumento di supporto decisionale da integrare con l'esperienza clinica e la valutazione complessiva del quadro del paziente", rimarca il coordinatore dello studio, l'oncologo Antonio Facchiano. 

"Ulteriori studi multicentrici - conclude - saranno necessari per confermare i risultati su popolazioni più ampie e diversificate. L'obiettivo finale è sviluppare sistemi di supporto clinico sempre più affidabili, capaci di combinare l'intelligenza artificiale con la microbiologia in tempo reale, per offrire terapie antimicrobiche di precisione e contrastare efficacemente la crescente minaccia dell'antibiotico-resistenza".