מודל חיזוי מוקדם מבוסס למידה מרובת משימות לעמידות אנטיביוטית באמצעות נתוני קוהורט מרב-מוסדיים

מדוע זה חשוב לטיפול יום-יומי

עמידות לאנטיביוטיקה הופכת בשקט זיהומים שפעם ניתנו לריפוי למחלות מסכנות חיים. רופאים נדרשים לעתים קרובות לבחור אנטיביוטיקה לפני שתוצאות המעבדה יחשפו אילו תרופות יעבדו — עיכוב שעלול להימשך כמה ימים. המחקר הזה בוחן כיצד מודלים ממוחשבים המאומנים על רשומות בית חולים יכולים לתת לרופאים התרעה מוקדמת לגבי אנטיביוטיקות שסביר שייפשלו, ולעזור להגן על מטופלים ולעצור את התפשטות החיידקים העמידים.

אנטיביוטיקה תחת לחץ

הרפואה המודרנית נשענת במידה רבה על אנטיביוטיקה, מהניתוחים השגרתיים ועד טיפול בסרטן. יחד עם זאת, החיידקים מתפתחים בקצב מהיר, ותרופות חדשות מופיעות לאט יותר מהשחיקה של הישנות. בדרום קוריאה, שבה נערך המחקר, עד שליש מהמרשמים לאנטיביוטיקה בבתי חולים נחשבים ללא הולמים. בדיקות תרבית שמגלות האם גורם זיהומי עמיד בדרך כלל לוקחות שלושה עד חמישה ימים, וכך הרופאים נאלצים לטפל בחוסר ודאות. החוקרים שאפו לחזות עמידות לתשעה קבוצות אנטיביוטיות מרכזיות, באמצעות מידע הזמין מוקדם במהלך אשפוז המטופל בלבד.

הפיכת נתוני בית חולים לאזהרות מוקדמות

הצוות ניתח רשומות רפואיות אלקטרוניות של 59,551 מבוגרים משלושה בתי חולים גדולים בקוריאה, לאורך יותר מעשור. הרשומות כללו גיל, סימני חיים, משך אשפוז, שימוש אנטיביוטי קודם, ובחשיבות רבה — תוצאות תרביות קודמות שהראו אילו אנטיביוטיקות כבר נכשלו. במקום לאמן תשעה מודלים נפרדים — אחד לכל קבוצת אנטיביוטיקה — הם השתמשו באסטרטגיה הנקראת למידה מרובת משימות, שמאפשרת למודל יחיד ללמוד מספר מטלות חיזוי קשורות במקביל. נוסו שתי גרסאות: אחת עם ליבה משותפת שמתפצלת לפלטים נפרדים לכל קבוצת אנטיביוטיקה (שיתוף קשיח), ואחת שבה המשימות מקושרות בצורה רופפת יותר (שיתוף רך).

פתרון בעיית תוצאות מעבדה חסרות

נתוני בית חולים אמיתיים הם מבולגנים: לא כל מטופל נבדק נגד כל אנטיביוטיקה. מחקרים קודמים לעתים קרובות השליכו מקרים שמסומנים חלקית, מה שהקטין את מערכי הנתונים והתעלם מדפוסים החוצים תרופות שונות. כאן, החוקרים שינו את כלל הלמידה של המודל כך שהוא מדלג על תוצאות מעבדה חסרות בעת חישוב שגיאת האימון. כך יכלו לשמור כמעט על כל המטופלים בניתוח, גם כאשר חלק מתוצאות האנטיביוטיקה חסרו. המודל בשיתוף הקשיח נהנה במיוחד מהגדרה זו, שכן הוא יכול ללמוד אותות משותפים של עמידות תוך כדי כיוונון עדין של התחזיות לכל קבוצת תרופות.

כמה טובים המודלים?

כאשר נבדקו על נתונים מבתי חולים שלא נראו במהלך האימון, המודלים מרובת המשימות בדרך כלל התעלו על שיטות מסורתיות כמו רגרסיה לוגיסטית ואלגוריתמים סטנדרטיים של בוסטינג. בממוצע, מודל השיתוף הקשיח הראה את האיזון הטוב ביותר בין דיוק ויציבות לאורך תשע קבוצות האנטיביוטיקה, והיה חזק במיוחד עבור קבוצות עם נתונים דלילים, כגון אמינוגליקוזידים. ניתוח נפרד שהסביר אילו תכונות מניעות את החיזויים מצא כי עמידות קודמת של המטופל לאנטיביוטיקה הייתה הגורם החשוב ביותר, ולאחריה עמידות או שימוש בתרופות קרובות, וכן גיל ומשך אשפוז. ניתוחי תת-קבוצות הראו ששיתוף קשיח עבד היטב כאשר היו תוצאות תרבית קודמות לאנטיביוטיקה נתונה, בעוד ששיתוף רך היה עדיף כאשר היסטוריה כזו לא הייתה זמינה.

מה משמעות הדבר למטופלים ולרופאים

המחקר מציע ששימוש חכם ברשומות בית חולים יכול לספק תחזיות מוקדמות ומהימנות במידה סבירה לגבי עמידות לאנטיביוטיקה במספר משפחות תרופות עיקריות. שיפורים מתונים בדיוק החיזוי, כשהם מיושמים על מספר גדול של מטופלים, יכולים לעזור לרופאים לבחור אנטיביוטיקה צרה וממוקדת מוקדם יותר ולהפחית שימוש בתרופות רחבות בטחון. זאת עשויה להפחית סיבוכים, לקצר אשפוזים ולעצור את התפשטות העמידות בקנה מידה רחב. המחברים מזהירים שהמודל שלהם עדיין צריך בדיקה ושיפור בעולם האמיתי, במיוחד כשהנתונים מתרבית חסרים, אך הם טוענים שלמידה מרובת משימות מציעה דרך מבטיחה לניצול טוב יותר של נתונים רפואיים בלתי מושלמים ותמיכה בשימוש שקול יותר באנטיביוטיקה.

ציטוט: Kim, Y., Jeong, I., Park, JH. et al. Multi task learning based early prediction model for antibiotic resistance using multi institutional cohort data. Sci Rep 16, 11891 (2026). https://doi.org/10.1038/s41598-026-41185-z

מילות מפתח: עמידות לאנטיביוטיקה, תמיכה בקבלת החלטות קלינית, רשומות רפואיות אלקטרוניות, למידת מכונה, למידה מרובת משימות