Künstliche Intelligenz und maschinelles Lernen könnten Forschern weltweit bei der Entwicklung neuer Antibiotika helfen. Big Data und maschinelles Lernen sind unverzichtbar, um unsere Mikrobiome zu entschlüsseln.
Missbrauch und übermäßiger Einsatz von Antibiotika haben antibiotikaresistente Supererreger entstehen lassen, die schon kleine Schnittwunden zur tödlichen Gefahr machen. Forscher nutzen digitale Technologien, um gegen diese Entwicklung anzukämpfen, die sich zur tödlichsten und kostenintensivsten von Menschenhand gemachten Katastrophe der modernen Zeit auswachsen könnte.
Was erforderlich ist, ist eine ganz neue Herangehensweise an die Diagnose von Infektionskrankheiten, an den Einsatz von Antibiotika und an die Beobachtung von antimikrobiellen Resistenzen (AMR). Möglich wird all dies mit neuer Technologie. Doch schreitet die Einführung dieser neuen Technologie nicht schnell genug voran, um das zu verhindern, was der ehemalige CDC-Direktor Tom Frieden Albtraumbakterien genannt hat. Dieser Albtraum wird mit jedem Jahr furchteinflößender. Einer britischen Studie aus dem Jahr 2014 zufolge sterben weltweit jährlich 700.000 Menschen durch AMR. Laut einer Schätzung von 2014 könnten bis 2050 Antibiotikaresistenzen pro Jahr weltweit bis zu 10 Millionen Todesopfer fordern und Kosten in Höhe von 100 Billionen US-Dollar verursachen.
Die wichtigste Rolle im Kampf darum, die Katastrophe abzuwenden, kann die Technologie spielen. In allen Phasen des Prozesses – von der Verfolgung oder Prognose von Ausbrüchen antibiotikaresistenter Krankheiten bis hin zur Beschleunigung der potenziellen Entdeckung neuer antibiotisch wirkender Verbindungen – werden riesige Mengen von Daten aus unterschiedlichsten Quellen benötigt. Doch werden sich die Mikroben in kürzester Zeit anpassen und auch gegen neue Medikamente resistent werden, wenn nicht zugleich Systeme eingerichtet werden, die Ärzten dabei helfen, Infektionen gezielter und fundierter zu diagnostizieren und zu behandeln.
Digitale Werkzeuge können bei allen vier Maßnahmen hilfreich sein, die die CDC für den Kampf gegen AMR empfiehlt: Prävention gegen Infektionen und ihre Verbreitung, Verfolgung von Resistenzmustern, Verbesserung des Antibiotikaeinsatzes sowie Entwicklung neuer Diagnoseverfahren und Behandlungsformen. Derzeit arbeiten Fachleute, die sowohl die Komplexität von AMR verstehen als auch wissen, welchen Nutzen Technologien wie maschinelles Lernen, Mensch-Computer-Interaktion (Human-Computer Interaction, HCI) und mobile Anwendungen bieten, an der Entwicklung und Förderung von Lösungen, die millionenfach Leben retten könnten.
Dr. Steven Solomon, Berater für globale Gesundheit und ehemaliger Direktor des Amts für antimikrobielle Resistenzen (Office of Antimicrobial Resistance) bei der CDC, will den Kampf gegen AMR nicht nur im Labor führen. Seiner Meinung nach ist die Überwachung – die Verfolgung und Analyse unterschiedlichster Daten zu AMR – extrem wichtig, ganz besonders angesichts der Geschwindigkeit und des Umfangs der Ausbreitung. Doch die verfügbaren Daten sind fragmentiert und oft nicht miteinander vergleichbar. Krankenhäuser sammeln nicht die repräsentativen Proben, die für die Analyse zur Überwachung erforderlich wären. Gesammelt werden lediglich Daten zu Patienten, bei denen Resistenzen auftreten, nicht aber zu denjenigen, die erfolgreich behandelt werden können. In Labors kommen die unterschiedlichsten Testmethoden zum Einsatz, und die Berichte sind nicht immer einheitlich oder auch nur vollständig. Ein Überwachungssystem kann auch als Frühwarnsystem dienen. Doch Schwächen in den Systemen führen dazu, dass die Gesundheitsbehörden die Auswirkungen von AMR bei Todesfällen und die damit verbundenen Kosten durchweg unterschätzen. Daher muss die Verbesserung der Überwachung höchste Priorität haben, findet Solomon.
Die ineffektive Überwachung hat auch dazu beigetragen, dass die Zahl der Fälle, in denen Antibiotika ohne Indikation verabreicht wurden, massiv zugenommen hat. In China ist der Missbrauch von Antibiotika auf die starke Nachfrage der Patienten und finanzielle Anreize für die verschreibenden Ärzte zurückzuführen. Weltweit am höchsten ist der Antibiotikaverbrauch heute in Indien, was teilweise daran liegt, dass Antibiotika für Durchfallerkrankungen und Infektionen der oberen Atemwege verschrieben oder verkauft werden, obwohl sie dagegen wenig ausrichten. In vielen Ländern sind Antibiotika auch frei verkäuflich, was dem Missbrauch und übermäßigen Einsatz weiter Vorschub leistet. In den Vereinigten Staaten werden nach Schätzungen der CDC in 50 Prozent der Fälle Antibiotika fälschlicherweise verschrieben.
Solomon ist überzeugt, dass Ärzte überall auf der Welt in der Praxis und im Krankenhaus vermehrt Technologie einsetzen müssen, um zu einem vernünftigeren Antibiotikaeinsatz zu gelangen. Neue digitale Werkzeuge könnten Ärzten und Krankenhäusern helfen, Leitlinien für die optimale Verordnung von Antibiotika in ihre täglichen Behandlungsroutinen einzubinden. „Die Interaktion zwischen Mensch und Computer ist von entscheidender Bedeutung, denn es gibt eine solche Fülle an Informationen zu Antibiotikaresistenzen, dass ein Mensch diese gar nicht überschauen kann“, erklärt Solomon. „Hier erschließt sich die Chance, elektronische Verordnungssysteme, kurz CPOE genannt, erheblich zu verbessern und mit klinischer Entscheidungsunterstützung zu kombinieren.“ Einrichtungen des Gesundheitswesens könnten relevante Informationen und Protokolle integrieren, sodass diese direkt am Patientenbett zur Verfügung stehen. Damit würde der Arzt durch die Diagnose und Arzneimittelverordnung geleitet, und nebenbei würde auch die Sammlung und Übermittlung von Informationen zum Antibiotikaeinsatz erleichtert.
Die Abteilung für rationale Antibiotikaverordnung (Antibiotic Stewardship) des Kinderkrankenhauses Cincinnati hat ein Softwareprogramm eingeführt, das Informationen aus elektronischen Patientenakten, Verordnungen, elektronischen Labor- und Pathologieberichten und weitere Daten zusammenführt. Das System misst den grundlegenden Einsatz antimikrobieller Mittel, ihre Dosierung, die Dauer der Verabreichung, die Kosten und die Verwendungsmuster. Zusätzlich werden Bakterien und Trends in deren Empfindlichkeit analysiert, und die Software hilft bei der klinischen Entscheidungsfindung und der Verordnung der passenden Mittel.
Die Akzeptanz für Systeme zur Entscheidungsunterstützung könnte auch höher ausfallen, wenn die Ärzte mobile Geräte nutzen würden, glaubt Solomon. Im letzten Sommer entwickelte der nationale Gesundheitsdienst in Schottland eine Antimikroben-Begleit-App, über die Ärzte im ganzen Land mobil auf klinische Orientierungshilfen zugreifen können. Zusätzlich wurde ein Audit-Werkzeug entwickelt, über das Daten zur lokalen und nationalen Verwendung gesammelt werden können. Auch künstliche Intelligenz (KI) und maschinelles Lernen können als wertvolle Helfer Ärzte künftig dabei unterstützen, genauere Diagnosen zu stellen und Infektionen zu behandeln. In einem solchen System „verordnen eigentlich der Arzt und das KI-Programm Arzneien gemeinsam“, erklärt Solomon. „Das KI-Programm kann einfach sehr viel mehr Informationen verarbeiten als der Arzt und Empfehlungen ausgeben, in die umfassendere Daten zur Art der Infektion, zum physiologischen Zustand und zur Krankengeschichte des Patienten ebenso wie Resistenzmuster jüngerer Isolate von der betreffenden Station, aus dem Krankenhaus und aus dem Ort einfließen.“
In der Petrischale Bakterien zu züchten, hat Dr. James Davis noch nie interessiert. Der Systembiologe ist für das Argonne National Laboratory und das Computation Institute der University of Chicago tätig. Er war der Erste in seinem Mikrobiologieinstitut, der eine absolut „trockene“ Dissertation vorlegte – eine vollständig digitale Arbeit ohne im Labor gezüchtete Organismen. Nach seinem Abschluss wollte Davis herausfinden, ob es möglich wäre, vorherzusagen, ob ein Organismus auf ein bestimmtes Antibiotikum ansprechen oder dagegen resistent sein würde. Im Zuge dessen begann er, sich mit dem Potenzial des maschinellen Lernens zur Prognose von AMR zu beschäftigen.
Rechenleistung ist heute billiger als früher, und auch die Kosten der Genomsequenzierung sind gesunken. Daher ist es heute möglich, eine Pathogenprobe zu sequenzieren, um die AMR-Resistenzmechanismen zu entschlüsseln. Auf diese Weise könnten Ärzte künftig innerhalb weniger Minuten feststellen, um welche Art von Infektion es sich im Einzelfall handelt, was bisher mehrere Stunden oder Tage dauert, legt Davis dar. Davis gehört zu einem Team, das für das vom US-amerikanischen nationalen Institut für Allergien und Infektionskrankheiten (U.S. National Institute of Allergy and Infectious Diseases) gegründete Pathosystems Resource Integration Center (PATRIC) eine riesige Datenbank von Bakteriengenomen mit AMR-Metadaten aufbaut. Darin werden Daten zu prioritären Pathogenen wie Tuberkulose und Gonorrhö gesammelt.
Dass es derzeit nicht möglich ist, Mikroben schnell zu identifizieren, gehört zu den größten Hindernissen für eine genaue Diagnose. Und eben deshalb ist die Arbeit des Teams extrem wichtig. Der normale Weg zur Erkennung einer Arzneimittelresistenz besteht darin, eine Wund-, Blut- oder Urinprobe zu nehmen und die darin angesiedelten Bakterien verschiedenen Antibiotika auszusetzen. Wenn sich die Bakterienkolonie trotz eines normalerweise wirksamen Arzneimittels weiter teilt und wächst, lässt dies auf eine Resistenz schließen. Dieses Verfahren dauert in der Regel zwischen 16 und 20 Stunden, also viel zu lange, wenn es um Leben und Tod geht. Bei manchen Stämmen antibiotikaresistenter Tuberkuloseerreger kann ein solcher Test auch eine Woche dauern. Während sie auf die Testergebnisse warten, verschreiben Ärzte oftmals Breitbandantibiotika oder verordnen auf gut Glück ein Mittel, das nach ihren Erfahrungen im eigenen Krankenhaus wirken könnte. „Und dem Patienten geht es in der Zwischenzeit besser oder eben nicht“, so Davis.
Bei PATRIC verwenden die Forscher Klassifikationsmerkmale für maschinelles Lernen, um an Antibiotikaresistenzen beteiligte Regionen des Genoms zu ermitteln. Damit könnte das Fundament für einen „laborfreien“ Prozess zur Prognose von Resistenzen gelegt werden. Wenn es gelingt, die genetischen Mechanismen von AMR zu entschlüsseln und das Verhalten bakterieller Pathogene ohne Petrischale vorherzusagen, könnte sich damit die klinische Entscheidungsfindung verbessern und die Reaktionszeit verkürzen lassen. Bisher haben die Forscher Klassifikationsmerkmale für maschinelles Lernen entwickelt, um Antibiotikaresistenzen bei Acinetobacter baumannii (einem Erreger, der bei Krankenhausinfektionen eine große Rolle spielt), methicillinresistentem Staphylococcus aureus (auch MRSA genannt – ein weltweites Problem) und Streptococcus pneumoniae (einer der häufigsten Auslöser von bakterieller Meningitis) mit einer Genauigkeit von 88 bis 99 Prozent zu erkennen.
Das Houston Methodist Hospital, das die PATRIC-Datenbank nutzt, erforscht multiresistente Bakterien, insbesondere MRSA. Resistenzen treiben nicht nur die Behandlungskosten in die Höhe, sondern laut WHO haben Patienten mit MRSA auch ein 64 Prozent höheres Sterblichkeitsrisiko als Patienten mit einer nichtresistenten Form der Infektion. Am Houston Methodist Hospital werden die molekulargenetischen Ursachen der Arzneimittelresistenz von MRSA erforscht. Damit soll es möglich werden, neue Behandlungsansätze zu finden und neuartige antimikrobielle Wirkstoffe zu entwickeln.
Es gibt antibiotikaresistente Bakterien, und es gibt Clostridium difficile, auch C. difficile genannt, ein Bakterium, das nach der Antibiotikagabe selbst bei jungen und gesunden Patienten den Darm angreift. C. difficile hat Dr. L. Clifford McDonald dazu veranlasst, sich dem Kampf gegen AMR anzuschließen. Als der Epidemiologe 2004 seine Analyse der Verbreitung von SARS in Krankenhäusern in Toronto abgeschlossen hatte, richtete er das Augenmerk auf C. difficile. Heute steht er als leitender Berater für Wissenschaft und Integrität bei der Abteilung zur Förderung der Qualität der Gesundheitsversorgung (Division of Healthcare Quality Promotion) bei der CDC an vorderster Front und arbeitet daran, Behandlungsmöglichkeiten für die Infektion zu finden und die Ausbreitung von AMR zu verhindern.
Ein wichtiger Aspekt im Kampf gegen AMR ist die Entwicklung neuer Antibiotika. Bei den in den letzten Jahren entwickelten neuen Antibiotika handelt es sich größtenteils um Varianten bestehender Arzneimittelklassen. Die Einführung der letzten wirklich neuen Klasse von Antibiotika liegt drei Jahrzehnte zurück. Bei der Entwicklung neuer Medikamente könnte maschinelles Lernen helfen. Dieses würde es ermöglichen, sehr viel größere Datenmengen zu durchforsten und die kapitalintensive Arzneimittelentwicklung stärker präskriptiv auszurichten, wobei genau die Moleküle synthetisiert würden, die am ehesten eine Wirkung entfalten.
McDonald glaubt, dass es einfacher wird, neue Antibiotika zu finden, wenn wir mehr über die Gemeinschaften von Bakterien erfahren, die in jedem von uns leben. Allein im Darm leben beispielsweise sage und schreibe 1.000 verschiedene Arten von Mikroben. Werden diese mikrobiellen Gemeinschaften – unser „Mikrobiom“ –gestört, kann dadurch AMR Tür und Tor geöffnet werden. McDonald erklärt, dass Big Data und maschinelles Lernen unverzichtbar sind, um unsere Mikrobiome zu entschlüsseln. Nach seiner Prognose wird es in fünf Jahren möglich sein, im Krankenhaus Stuhlproben oder Hautabstriche zu nehmen und die darin enthaltenen Mikroorganismen schnell und routinemäßig gentechnisch auf Antibiotikaresistenz zu untersuchen. „Allein die bioinformatische Aufgabe, herauszufinden, wie das Mikrobiom zusammengesetzt ist und welche Arten von Antibiotikaresistenzen möglicherweise darin vorliegen, stellt uns vor die Herausforderung, Big Data zu verarbeiten“, so McDonald. „Zusammenhänge darin zu erkennen, wird nur mithilfe moderner Analysetechniken möglich sein, zu denen zweifellos das maschinelle Lernen gehören wird.“
Wenn es gelingt, Informationen dort bereitzustellen, wo sie gebraucht werden, könnte dies auch dazu beitragen, dass die Landwirtschaft das Problem der Antibiotikaresistenzen nicht weiter verschlimmert. In der Viehwirtschaft werden verbreitet Antibiotika eingesetzt, um das Wachstum zu fördern oder Krankheiten zu verhindern. Ein Unternehmen hat ein Werkzeug für die schnelle Diagnose im Betrieb entwickelt. Damit können Viehzüchter Krankheiten genauer erkennen und fundierte Management- und Behandlungsentscheidungen treffen. Nach Aussage des Unternehmens ist mit diesem Werkzeug der Einsatz von Antibiotika nachweislich um 47 bis 59 Prozent zurückgegangen. Derartige Systeme in Kombination mit erhöhtem Druck oder strengeren Auflagen zur Verringerung des Antibiotikaeinsatzes in der Fleischerzeugung könnten ebenfalls dabei helfen, in der AMR-Krise das Ruder herumzureißen.
Weiter verkompliziert wird der Kampf gegen AMR durch den Aufbau und die Kultur der Gesundheitssysteme weltweit. Das größte Problem liegt darin, dass nicht genügend zuverlässige Daten verfügbar sind, die sich über mobile Lösungen weitergeben, in HCI-Werkzeuge für die klinische Entscheidungsunterstützung einbinden sowie auf Supercomputern und Plattformen für maschinelles Lernen nutzen ließen. „Wir haben ein fragmentiertes Gesundheitswesen, und deshalb haben wir auch fragmentierte Informationen. Alle Datenquellen an einem Ort zusammenzubringen und dann dafür zu sorgen, dass sie miteinander interagieren, ist problematisch“, führt McDonald aus.
Um dem Problem wirklich auf den Grund zu gehen, müssen Daten zu AMR auf nationaler und letztlich auch auf internationaler Ebene gesammelt, integriert und für alle zugänglich gemacht werden. HCI und mobile Werkzeuge können Ärzten, Krankenhäusern und Gesundheitsbehörden helfen, mehr Informationen zu erfassen. Erweiterte Analysen, maschinelles Lernen und In-Memory Computing ermöglichen die Auswertung dieser Daten fast in Echtzeit. Damit wird es laut Solomon möglich sein, Resistenzmuster besser zu verstehen – beim einzelnen Patienten, vor Ort und bis hin zur nationalen und internationalen Ebene. Am Ende sollte idealerweise ein digital gestützter positiver Kreislauf von Informationen und Behandlung stehen, der Einsparungen in Millionenhöhe ermöglichen und Leben retten könnte – vielleicht sogar unsere ganze Zivilisation.
Quelle: deutsche Version SAP / englische Version Digitalist
Kommentare
