DOI: https://doi.org/10.1186/s12866-025-04657-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41555234
تاريخ النشر: 2026-01-19
المؤلف: Ettore Rocchi وآخرون
الموضوع الرئيسي: تحديد البكتيريا واختبار الحساسية
نظرة عامة
تتناول الدراسة القضية الملحة لجرثومة كليبسيلا الرئوية المقاومة لمجموعة من الأدوية في بيئات الرعاية الصحية من خلال استكشاف الكشف السريع عن مقاومة المضادات الحيوية عبر مطيافية الكتلة. على وجه التحديد، تسلط الضوء على دمج مطيافية الكتلة MALDI-TOF في التشخيصات الروتينية، والتي أظهرت حساسية عالية لتحديد مسببات الأمراض وإمكانية التنبؤ بمقاومة المضادات الحيوية.
في هذه الدراسة، تم جمع 686 عينة سريرية من ك. الرئوية من ثلاثة مستشفيات في إيطاليا. تم استخدام الأطياف الكتلية التي تم الحصول عليها كمدخلات لنماذج التعلم الآلي التي تهدف إلى التنبؤ بالاستجابة لمضادين حيويين: أميكاسين وميروبينيم، اللذين يستخدمان بشكل متكرر لعلاج عدوى ك. الرئوية. استخدمت الدراسة إطار عمل التحقق المتداخل لتقييم مصنفات التعلم الآلي المختلفة، مع تطبيق تصحيح تأثير الدفعة للتخفيف من التباين المحدد للموقع. تم حساب مقاييس الأداء لتحديد النموذج الأكثر فعالية في التنبؤ بالاستجابة للمضادات الحيوية.
مقدمة
لقد عزز دمج مطيافية الكتلة، وخاصة مطيافية الكتلة بالليزر المساعد على التفريغ/التحليل الزمني (MALDI-TOF MS)، بشكل كبير من تحديد مسببات الأمراض الميكروبية، مما يسمح بالتعرف السريع على الجنس أو النوع من عينات بيولوجية متنوعة. على الرغم من هذه التقدمات، فإن البكتيريا سالبة الجرام، وخاصة كليبسيلا الرئوية، تشكل تحديًا كبيرًا للرعاية الصحية بسبب ارتفاع معدلات مقاومة المضادات الحيوية (AMR). تشير البيانات الوبائية الحديثة إلى اتجاه مقلق في مقاومة البيتا لاكتام بين ك. الرئوية، مع زيادة طفيفة في مقاومة الكاربابينيم لوحظت في عام 2023، على الرغم من الانخفاض العام منذ عام 2015. من ناحية أخرى، أظهرت مقاومة الأمينوغليكوزيد انخفاضًا تدريجيًا، بينما ارتفعت مقاومة الفلوروكينولون مرة أخرى بعد انخفاض سابق.
نظرًا لهذه الأنماط المتطورة من المقاومة، هناك حاجة ملحة للمراقبة المستمرة وطرق مبتكرة للكشف عن AMR. أظهرت الدراسات الحديثة إمكانيات MALDI-TOF MS في تحديد آليات المقاومة، مثل نشاط البيتا لاكتاماز، وتطبيق التعلم الآلي (ML) لتعزيز تحليل بيانات الأطياف الكتلية. بناءً على هذه الأسس، تهدف الدراسة الحالية إلى استخدام أطياف MALDI-TOF لعزل ك. الرئوية السريرية للتنبؤ بملفات الاستجابة للكاربابينات والأمينوغليكوزيدات من خلال خوارزميات ML. تسعى هذه الدراسة إلى توسيع قدرات مطيافية الكتلة لتتجاوز مجرد تحديد مسببات الأمراض لتسهيل التنبؤات السريعة المدفوعة بالبيانات حول مقاومة المضادات الحيوية.
طرق
توضح قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في فرضية البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات المجمعة من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب مختبرية محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة آثارها على النتائج ذات الصلة.
شمل جمع البيانات استخدام أدوات موحدة لضمان الموثوقية والصلاحية، مع التركيز على تقليل التحيز. تم تطبيق اختبارات إحصائية، مثل ANOVA وتحليل الانحدار، لتقييم دلالة النتائج. كما يتناول القسم تحديد حجم العينة، لضمان قوة كافية لاكتشاف الفروق ذات الدلالة، ويناقش الاعتبارات الأخلاقية التي تم أخذها في الاعتبار خلال عملية البحث. بشكل عام، كانت الطرق المستخدمة مصممة بدقة لتوفير نتائج قوية وقابلة للتكرار.
نتائج
في هذه الدراسة، تم جمع ما مجموعه 686 عينة من *كليبسيلا الرئوية* من ثلاثة مراكز مستشفيات: كاتانيا (86 عينة)، روما (471 عينة)، وميلانو (203 عينة). يتم تفصيل ملفات الاستجابة والمقاومة لهذه العينات في الجدول 1، بينما توضح الشكل 1 توزيع العينات حسب المركز.
أظهر تقييم أداء النماذج المدربة على أطياف MALDI-TOF، المعدلة لتأثيرات الدفعة باستخدام خوارزمية ComBat، أن مصنف XGBoost تفوق باستمرار على النماذج الأخرى لكل من أهداف المضادات الحيوية، أميكاسين وميروبينيم. تشمل مقاييس الأداء، المستمدة من تحقق خارجي ذو 10 طيات، القيم المتوسطة وفواصل الثقة 95%. استخدم نهج التحقق المتداخل تقسيمًا حسب موقع الأصل وفئة المقاومة لكل من المضادات الحيوية، مما يضمن أن كل طية تمثل بدقة التوزيع العام للعزل.
مناقشة
تستكشف الدراسة استخدام نماذج التعلم الآلي (ML) للتنبؤ بمقاومة المضادات الحيوية (AMR) في عزلات كليبسيلا الرئوية السريرية، مع التركيز بشكل خاص على مقاومة ميروبينيم وأميكاسين. أجريت الدراسة عبر ثلاثة مستشفيات إيطالية، واستخدمت مطيافية الكتلة MALDI-TOF لجمع وتحليل العزلات السريرية، مع تعريف المقاومة بناءً على عتبات التركيز المثبط الأدنى (MIC) وفقًا لإرشادات EUCAST. تم استخدام خط أنابيب شامل للمعالجة المسبقة لاستخراج الميزات الطيفية ذات الصلة، تلاها تطبيق نماذج ML المختلفة، ولا سيما XGBoost، الذي أظهر أداءً متفوقًا بقيم AUROC متوسطة تبلغ 0.887 لميروبينيم و0.822 لأميكاسين. أكدت الدراسة على أهمية تقنيات التوافق، مثل خوارزمية ComBat، للتخفيف من التباين بين المواقع وتعزيز قابلية تعميم النموذج عبر بيئات سريرية مختلفة.
تسلط النتائج الضوء على إمكانيات دمج MALDI-TOF MS مع ML للتنبؤ السريع بمقاومة المضادات الحيوية، مع معالجة التحديات التي تطرحها كليبسيلا الرئوية المقاومة لمجموعة من الأدوية، خاصة في بيئات الرعاية الحرجة. بينما أظهرت النماذج قدرات تنبؤية واعدة، اعترفت الدراسة أيضًا بالقيود المتعلقة بالتعميم عبر المواقع، المنسوبة إلى الاختلافات في الوبائيات المحلية والعوامل التقنية. تشير النتائج إلى أنه مع مزيد من التحقق وتوسيع مجموعات البيانات، يمكن دمج هذه النماذج ML بشكل فعال في سير العمل الروتيني لعلم الأحياء الدقيقة السريرية، مما يحسن في النهاية سرعة ودقة توجيه العلاج بالمضادات الحيوية.
DOI: https://doi.org/10.1186/s12866-025-04657-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41555234
Publication Date: 2026-01-19
Author(s): Ettore Rocchi et al.
Primary Topic: Bacterial Identification and Susceptibility Testing
Overview
The study addresses the pressing issue of multidrug-resistant Klebsiella pneumoniae in healthcare settings by exploring the rapid detection of antimicrobial resistance through mass spectrometry. Specifically, it highlights the integration of MALDI-TOF mass spectrometry into routine diagnostics, which has shown high sensitivity for pathogen identification and potential for predicting antimicrobial resistance.
In this research, 686 clinical isolates of K. pneumoniae were collected from three hospitals in Italy. The mass spectra obtained were utilized as input for machine learning models aimed at predicting susceptibility to two antibiotics: amikacin and meropenem, which are frequently used to treat K. pneumoniae infections. The study employed a nested cross-validation framework to evaluate various machine learning classifiers, applying batch-effect correction to mitigate site-specific variability. Performance metrics were computed to identify the most effective model for predicting antibiotic susceptibility.
Introduction
The integration of mass spectrometry, particularly Matrix-assisted laser desorption/ionization time-of-flight mass spectrometry (MALDI-TOF MS), into clinical diagnostics has significantly enhanced the identification of microbial pathogens, allowing for rapid genus- or species-level recognition from various biological samples. Despite these advancements, Gram-negative bacteria, especially Klebsiella pneumoniae, pose a substantial healthcare challenge due to rising rates of antimicrobial resistance (AMR). Recent epidemiological data indicate a concerning trend in β-lactam resistance among K. pneumoniae, with a slight increase in carbapenem resistance observed in 2023, despite an overall decline since 2015. Conversely, aminoglycoside resistance has shown a gradual decrease, while fluoroquinolone resistance has risen again after a previous decline.
Given these evolving resistance patterns, there is an urgent need for continuous surveillance and innovative methods for detecting AMR. Recent studies have demonstrated the potential of MALDI-TOF MS for identifying resistance mechanisms, such as β-lactamase activity, and the application of machine learning (ML) to enhance the analysis of mass spectral data. Building on this foundation, the present study aims to utilize MALDI-TOF spectra of clinical K. pneumoniae isolates to predict susceptibility profiles to carbapenems and aminoglycosides through ML algorithms. This research seeks to extend the capabilities of mass spectrometry beyond mere pathogen identification to facilitate rapid, data-driven predictions of antimicrobial susceptibility.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research hypothesis. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled laboratory experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments to ensure reliability and validity, with a focus on minimizing bias. Statistical tests, such as ANOVA and regression analysis, were applied to assess the significance of the results. The section also details the sample size determination, ensuring adequate power to detect meaningful differences, and discusses the ethical considerations taken into account during the research process. Overall, the methods employed were rigorously designed to provide robust and reproducible findings.
Results
In this study, a total of 686 *Klebsiella pneumoniae* isolates were collected from three hospital centers: Catania (86 isolates), Rome (471 isolates), and Milan (203 isolates). The susceptibility and resistance profiles of these isolates are detailed in Table 1, while Figure 1 illustrates the distribution of isolates by center.
The performance evaluation of models trained on MALDI-TOF spectra, adjusted for batch effects using the ComBat algorithm, demonstrated that the XGBoost classifier consistently outperformed other models for both antibiotic targets, amikacin and meropenem. The performance metrics, derived from a 10-fold external cross-validation, include mean values and 95% confidence intervals. The nested cross-validation approach employed stratification by site of origin and resistance class for both antibiotics, ensuring that each fold accurately represented the overall distribution of isolates.
Discussion
The study investigates the use of machine learning (ML) models to predict antimicrobial resistance (AMR) in Klebsiella pneumoniae clinical isolates, specifically focusing on meropenem and amikacin resistance. Conducted across three Italian hospitals, the research utilized MALDI-TOF mass spectrometry to collect and analyze clinical isolates, defining resistance based on minimum inhibitory concentration (MIC) thresholds as per EUCAST guidelines. A comprehensive pre-processing pipeline was employed to extract relevant spectral features, followed by the application of various ML models, notably XGBoost, which demonstrated superior performance with mean AUROC values of 0.887 for meropenem and 0.822 for amikacin. The study emphasized the importance of harmonization techniques, such as the ComBat algorithm, to mitigate inter-site variability and enhance model generalizability across different clinical settings.
The findings highlight the potential of integrating MALDI-TOF MS with ML for rapid AMR prediction, addressing the challenges posed by multidrug-resistant K. pneumoniae, particularly in critical care environments. While the models showed promising predictive capabilities, the study also acknowledged limitations related to cross-site generalization, attributed to differences in local epidemiology and technical factors. The results suggest that with further validation and expanded datasets, these ML models could be effectively incorporated into routine clinical microbiology workflows, ultimately improving the speed and accuracy of antimicrobial therapy guidance.