Оглавление

Искусственный интеллект способен поддержать диагностику и наблюдение за устойчивостью бактерий к антибиотикам, однако его применение в программах контроля за назначением препаратов пока в основном ограничивается ранними исследованиями. Об этом говорится в комментарии, опубликованном в журнале Discover Public Health и изложенном Bioengineer.org.

Устойчивость к противомикробным препаратам особенно тяжело бьёт по системам здравоохранения Африки. По приведённым в комментарии оценкам, в Африканском регионе ВОЗ с бактериальной устойчивостью было связано около 1,05 млн смертей в 2019 году. В Западной Африке к югу от Сахары она непосредственно привела к 27,3 смерти на 100 000 человек. Без эффективных мер смертность, связанная с устойчивыми инфекциями, может существенно вырасти к 2050 году.

Программы рационального применения противомикробных препаратов должны помогать врачам выбирать лечение и улучшать его результаты. Но во многих странах региона таких национальных программ нет. Недостаток специалистов, задержки диагностики, лечение «на всякий случай» и слабое наблюдение за устойчивостью дополнительно осложняют ситуацию. В системе ВОЗ GLASS, собирающей данные об устойчивости и использовании противомикробных препаратов, в 2023 году отчитывались только 27 из 47 стран Африканского региона — 57,4%.

Обещания моделей и пределы проверок

ИИ и машинное обучение — методы, при которых компьютер находит закономерности в данных, — могут помогать прогнозировать устойчивость, поддерживать клинические решения, автоматизировать наблюдение и извлекать сведения из несовершенных медицинских записей. Но систем, регулярно используемых именно для контроля назначения антибиотиков в Африке, пока мало. Большинство местных исследований проверяли модели на уже собранных данных или демонстрировали принцип работы, а не оценивали лечение пациентов в реальной практике.

В исследовании 2024 года модели, созданные на данных секвенирования геномов из Англии, проверили на независимых данных из Уганды, Нигерии и Танзании. Для E. coli логистическая регрессия предсказала устойчивость к ампициллину с точностью 94%. Для ципрофлоксацина и цефотаксима лучшие модели показали 50% и 45%. В выборке было до 170 образцов, а распределение классов было сильно несбалансированным. Результат наглядно показывает, почему модель, хорошо работающая в одной стране, не обязательно переносится в другую.

Исследования на образцах E. coli и Salmonella из Кении, Нигерии и Южной Африки подтверждают техническую возможность строить прогнозы на местных данных, но таких работ пока мало. Обзор Ayesiga и коллег за 2025 год описал потенциал ИИ для наблюдения за устойчивостью в странах Африки к югу от Сахары и одновременно выделил дефицит данных, слабую инфраструктуру и этические риски. Диагностические системы для выявления туберкулёза и малярии тоже испытывались в африканских странах, однако это не доказывает, что ИИ уже улучшил назначение антибиотиков. Например, при анализе почти 62 000 снимков грудной клетки в Кении компьютерное обнаружение показало чувствительность 95% и специфичность 83,3%; в Лусаке, Замбия, сопоставимая система получила площадь под ROC-кривой 0,81.

Зарубежные результаты служат скорее ориентиром, чем подтверждением эффективности в Африке. Система раннего предупреждения Sepsis Watch работает в медицинской сети Duke в США с ноября 2018 года; при внешней проверке в четырёх отделениях неотложной помощи Summa Health её AUROC составил от 0,906 до 0,960. В Израиле алгоритмы машинного обучения сократили ненадлежащее лечение инфекций мочевыводящих путей на 42% по сравнению с назначениями врачей. В британском рандомизированном исследовании рекомендация не переводить пациента с внутривенных антибиотиков на пероральные резко снижала вероятность такого перевода: отношение шансов составило 0,13. Метаанализ 80 исследований оценил среднюю точность моделей в 74,97%, а чувствительность — в 76,89%; основная часть этих данных получена за пределами Африки.

Высокие показатели модели — ещё не доказательство пользы для пациента: особенно если данные собраны в другой системе здравоохранения. Для Африки решающим будет не эффектный процент в тесте, а проверка на местных данных и в реальной клинике. Без этого автоматизация рискует лишь придать старым пробелам новый, технологичный вид.

Что мешает внедрению

Данные об устойчивости разрознены между лабораториями и больницами, собраны разными методами и часто неполны. Во многих учреждениях электронные медицинские записи ограничены или их заменяют бумажные документы, которые трудно объединять и анализировать. Геномные данные африканских возбудителей также недостаточно представлены в мировых базах: по приведённой оценке, почти 97% сборок геномов бактерий из Восточноафриканского сообщества анализируют за пределами континента.

Не хватает и вычислительных ресурсов. В опросе специалистов по биоинформатике в Танзании в 2018 году 96,4% сообщили, что используют личные компьютеры, а доступ к высокопроизводительным вычислениям имели около 10%. К этому добавляются нехватка кадров и отток специалистов, слабое регулирование, вопросы предвзятости и прозрачности алгоритмов, недостаток независимой проверки моделей, ограниченные бюджеты и зависимость от донорского финансирования. Модели также нужно регулярно переобучать, поэтому многие проекты остаются на стадии пилотных испытаний.

Авторы комментария предлагают развивать совместимые системы данных на основе принципов FAIR: данные должны быть доступными для поиска, доступными для использования, совместимыми и пригодными для повторного применения. В числе приоритетов — электронные медицинские карты и лабораторные системы, безопасное объединение сведений о пациентах, назначениях и микробиологических анализах, а также более полная отчётность в GLASS. Модели следует обучать и проверять на данных, представляющих местные группы пациентов, а внедрять — поэтапно, с оценкой результатов и практической осуществимости.

Для более ответственного применения ИИ предлагается проверять алгоритмы на предвзятость, использовать объяснимые методы и давать врачам чёткие рекомендации, сохраняя человеческий контроль и ответственность. Потребуются обучение специалистов, сотрудничество врачей, фармацевтов, микробиологов, исследователей данных и политиков. Африканский союз здравоохранения Africa CDC мог бы координировать эту работу; правительствам предлагается выделять отдельные средства на цифровое наблюдение, устанавливать минимальные требования к совместимости закупаемых лабораторных систем и объединять закупки лицензий, чтобы снизить расходы отдельных учреждений.

Пока перспективы ИИ в этой области убедительнее, чем доказательства его клинической пользы. Авторы подчёркивают, что нужны местные модели, перспективные клинические испытания и исследования внедрения, которые оценят влияние на назначения, исходы лечения и устойчивость бактерий. ИИ, заключают они, должен дополнять существующие программы и национальные планы борьбы с устойчивостью, а не подменять их.