Evolutionärt ramverk med digital tvilling för optimal aminoglykosiddosering hos nyfödda med misstänkt sepsis

Varför små patienter och stora data möts

När nyfödda får allvarliga infektioner har läkarna ofta bara timmar på sig att starta rätt antibiotika i rätt dos. Men varje baby på intensivvård är unik, särskilt prematura spädbarn vars organ fortfarande mognar. Den här studien visar hur en virtuell ”digital tvilling” av varje barn kan testköra antibiotikaplaner i datorn först, vilket hjälper läkare att välja doser som bekämpar infektionen, skyddar känsliga njurar och bromsar ökningen av läkemedelsresistenta bakterier.

Att skapa en virtuell kopia av en nyfödd

Forskarna byggde en matematisk representant för varje barn som efterliknar hur ett aminoglykosidantibiotikum, amikacin, rör sig genom kroppen och påverkar bakterier. En del av tvillingen representerar blodflöde, njurar och resten av kroppen och förutsäger hur läkemedlet fördelas och elimineras över tid. En annan del representerar bakteriesamhällen, uppdelade i känsliga och mer motståndskraftiga grupper, och följer hur de lever, konkurrerar och dör vid varierande läkemedelsnivåer. Dessa två delar är kopplade så att den virtuella babyn och dess virtuella infektion utvecklas tillsammans under behandlingen.

Att lära tvillingen att följa verkliga njurar

Hos svårt sjuka nyfödda kan njurfunktionen förändras från dag till dag, särskilt hos extremt prematura barn, vid födselrelaterad syrebrist eller vid behandling med andra njurstressande läkemedel. Teamet tränade en typ av djupinlärningsmodell, kallad long short term memory-nätverk, på mer än 7000 verkliga mätningar av en avfallsprodukt i blodet känd som serumkreatinin. Det gjorde att tvillingen kunde uppdatera ett nyckelvärde för njurfiltrering varje dag utifrån enkla sängsidedata. Jämfört med en tidigare handbyggd njurmodell förutsade den nya metoden kreatinin mer träffsäkert över olika sjukhus och sjukdomstyper, vilket gav mer tillförlitliga prognoser för läkemedelsnivåer.

Att kontrollera tvillingen mot verkliga läkemedelsnivåer och infektioner

För att säkerställa att tvillingarna uppträdde realistiskt matade forskarna dem med verkliga behandlingsjournaler från över 1600 nyfödda som fått amikacin. De virtuella modellerna reproducerade tusentals uppmätta läkemedelskoncentrationer i blodet med måttligt fel, även hos barn som fick nedkylning efter asfyxi eller extra hjärtpåverkande läkemedel. När teamet jämförde modellens förutsagda bakteriemängder stämde dessa överens med huruvida blododlingar från samma barn var positiva eller negativa. Det tyder på att tvillingen inte bara kunde följa läkemedelsnivåer utan också fånga det övergripande mönstret av infektionskontroll som ses i kliniken.

Att låta datorn justera behandlingen

När tvillingarna väl validerats användes de för att utforska behandlingsval i en stor virtuell population som täckte ett brett spektrum av gestationell och postnatal ålder. Ett optimeringsprogram sökte inom standarddosgränser för att hitta en personlig plan för varje tvilling som höll toppvärden tillräckligt höga för att dämpa bakterier samtidigt som nivåerna fick falla tillräckligt mellan doserna för att minska njurrisken. Modellen tillät också att bakteriernas känslighet för läkemedlet kunde drifta uppåt under terapin, vilket imiterar den långsamma ökningen av resistens. En mer avancerad version av styrningen såg flera doser framåt och justerade scheman för att förhindra ett sent återuppsving av tuffare bakterier, vilket förbättrade långsiktig kontroll utan att driva läkemedelsnivåerna in i farliga områden.

Vad detta betyder för sköra nyfödda

För både simulerade barn och verkliga sjukhuskohorter gav doseringsscheman styrda av digitala tvillingar bättre förväntad infektionsrengöring och mindre expansion av resistenta bakterier än de standardregler som används i dag, samtidigt som exponeringen hölls inom vedertagna säkerhetsmarginaler. Metoden förlitar sig enbart på rutinmässigt insamlade sängsideuppgifter, såsom ålder, vikt, kreatinintest och behandlingshistorik. Även om den fortfarande behöver prospektiv testning pekar arbetet mot en framtid där varje nyfödds antibiotikabehandling löpande formas av en virtuell följeslagare, som hjälper kliniker att ge tillräckligt med läkemedel för att bota infektionen utan att skada barnet eller driva på resistensutveckling.

Citering: Prunella, M., Romano, C., Borri, A. et al. Evolutionary digital twin framework for optimal aminoglycoside dosing in neonates with suspected sepsis. npj Digit. Med. 9, 367 (2026). https://doi.org/10.1038/s41746-026-02558-w

Nyckelord: neonatal sepsis, digital twin, amikacin-dosering, antibiotikaresistens, precision medicine