DOI: https://doi.org/10.3389/fphar.2026.1715346
PMID: https://pubmed.ncbi.nlm.nih.gov/41737562
تاريخ النشر: 2026-02-09
المؤلف: M. A. Arepyeva وآخرون
الموضوع الرئيسي: استخدام المضادات الحيوية والمقاومة
نظرة عامة
تتناول الدراسة القضية المتزايدة لمقاومة المضادات الحيوية (AMR)، التي يقودها بشكل أساسي الاستخدام غير العقلاني للمضادات الحيوية. تستخدم النمذجة الرياضية لتحليل العلاقة بين استهلاك المضادات الحيوية وبيانات المقاومة التاريخية عبر 82 منطقة في الاتحاد الروسي من 2008 إلى 2022. تضمنت المنهجية توحيد البيانات الإقليمية، واستبعاد الاستخدام غير المهم للمضادات الحيوية، وحساب المتوسطات المتحركة لمقاومة المضادات الحيوية والاستهلاك بوحدات الجرعة اليومية المحددة. تم استخدام تحليل المكونات الرئيسية لتقليل الأبعاد، وتم اختبار خوارزميات تعلم الآلة المختلفة، بما في ذلك آلة تعزيز التدرج الخفيف (LightGBM) وغابة عشوائية، للتنبؤ بمقاومة المضادات الحيوية بناءً على مفهوم “زوج النموذج” من الكائنات الدقيقة والمضادات الحيوية.
كشفت النتائج أن نموذج LightGBM حقق أعلى دقة لزوج E. coli-cefotaxime، مع دقة 67.5% على مجموعة التدريب و66.6% على مجموعة التحقق، مما يشير إلى عدم وجود تكييف زائد. تضمنت المؤشرات الرئيسية لمقاومة المضادات الحيوية المتوسط المتحرك للمقاومة التاريخية ونوع العدوى. توقع تحسين استهلاك المضادات الحيوية باستخدام طريقة تحسين مقيدة بواسطة التقريب الخطي (COBYLA) تقليصًا محتملًا بنسبة 15-20% في مقاومة المضادات الحيوية على مدى عقد من الزمن، بينما اقترح سيناريو نموذج خطأ واقعي، اتجاه، موسمية (ETS) زيادة بنسبة 5-10% في المقاومة. تختتم الدراسة بأن نماذج LightGBM المطورة يمكن أن تتنبأ بفعالية بديناميات مقاومة المضادات الحيوية وتوجه استراتيجيات إدارة العلاج بالمضادات الحيوية، مما يبرز الإمكانية لتحسين الاستهلاك للتخفيف من المقاومة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التوقعات المقلقة من منظمة الصحة العالمية (WHO) بشأن مقاومة المضادات الحيوية (AMR)، حيث تتوقع أنه بحلول عام 2050، ستسبب مقاومة المضادات الحيوية بشكل مباشر 1.91 مليون وفاة على مستوى العالم، مع 8.22 مليون وفاة إضافية مرتبطة بها. حددت منظمة الصحة العالمية مسببات الأمراض ذات الأولوية الحرجة، بما في ذلك *Acinetobacter baumannii* المقاوم للكاربينيم و*Mycobacterium tuberculosis*، مما يبرز الحاجة الملحة إلى إدارة فعالة للمضادات الحيوية. يُستشهد بالاستخدام غير الصحيح للمضادات الحيوية داخل أنظمة الرعاية الصحية كعامل رئيسي في مقاومة المضادات الحيوية، مما يستلزم دراسات وبائية دوائية وتنفيذ تصنيف AWaRe لتصنيف المضادات الحيوية وتوجيه ممارسات الاستهلاك.
تناقش الورقة دور التحليل الكمي في دراسة استهلاك المضادات الحيوية باستخدام مقياس الجرعة اليومية المحددة (DDD)، الذي يسهل الدراسات المقارنة وتقييم أنماط الاستهلاك على مر الزمن. كما تحدد استراتيجيات متنوعة لمكافحة مقاومة المضادات الحيوية، بما في ذلك التعاون بين علماء الميكروبيولوجيا وعلماء الأدوية السريرية، وتطوير إرشادات علاجية محلية، واستخدام الرعاية الصحية الرقمية وتقنيات النمذجة. ركزت النماذج الرياضية السابقة بشكل أساسي على مجموعة محدودة من مسببات الأمراض ونادراً ما دمجت استراتيجيات علاجية بديلة. تهدف الدراسة إلى تطوير مستودع وطني من النماذج الرياضية التي تتنبأ بتغيرات مستويات مقاومة المضادات الحيوية بناءً على بيانات استهلاك المضادات الحيوية، مما يوفر أساسًا لتوقع اتجاهات المقاومة وتوجيه التدخلات الصحية العامة.
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. توضح المواد المحددة المستخدمة، بما في ذلك مصادرها وطرق إعدادها، بالإضافة إلى إعداد التجربة، الذي قد يتضمن أدوات وتقنيات متنوعة ذات صلة بأهداف البحث. يصف القسم أيضًا البروتوكولات المتبعة لجمع البيانات وتحليلها، مما يضمن إمكانية إعادة إنتاج النتائج وموثوقيتها.
بالإضافة إلى ذلك، يتم تحديد الأساليب الإحصائية المطبقة لتفسير البيانات، بما في ذلك أي برامج مستخدمة للتحليل. يبرز القسم أهمية الصرامة المنهجية في التحقق من النتائج ويناقش أي ضوابط أو متغيرات تم أخذها في الاعتبار خلال التجارب. بشكل عام، يعمل هذا القسم كدليل شامل للمنهجيات التي تدعم نتائج البحث.
نتائج
في هذه الدراسة، ركز الباحثون على زوج E. coli وcefotaxime بسبب انتشار E. coli في الدراسات الميكروبيولوجية في الاتحاد الروسي، مما وفر مجموعة بيانات كبيرة للتحليل. تم تطوير خمسة نماذج تنبؤية، حيث تفوق نموذج LightGBM على الآخرين من حيث الدقة والصلابة ضد ضوضاء البيانات. تم التحقق من أداء النموذج من خلال مجموعة تدريب (70%) ومجموعة تحقق (30%)، مما كشف عن مقاييس دقة واسترجاع مشابهة، مما يشير إلى الحد الأدنى من التكييف الزائد وقدرات التعميم القوية. على وجه التحديد، كانت قيم الاسترجاع 68.7% للتدريب و67.5% للتحقق، بينما كانت الدقة 67.5% و66%، على التوالي.
كما قامت الدراسة بتقييم أهمية الميزات، حيث تم تحديد المتوسط المتحرك لمقاومة المضادات الحيوية ونوع العدوى كعوامل مهمة في دقة النموذج. أشارت محاكاة التوقعات إلى أن تحسين استهلاك المضادات الحيوية يمكن أن يقلل المقاومة بنسبة 15%-20%، بينما قد يؤدي الحفاظ على مستويات الاستهلاك الحالية إلى زيادة بنسبة 5%-10% في المقاومة، لا سيما بين العزلات المكتسبة من المجتمع. لتسهيل الوصول الأوسع إلى هذه النتائج، طور الباحثون بوابة AMCmodel.ru، التي توفر أدوات تفاعلية للمستخدمين لاستكشاف مقاييس النموذج والتوقعات. تهدف الأعمال المستقبلية إلى توسيع هذا المستودع النموذجي ليشمل أزواج إضافية من مسببات الأمراض والمضادات الحيوية ودمج البيانات الدولية لتحليل شامل لمقاومة المضادات الحيوية.
مناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم لنماذج التنبؤ في مواجهة التهديد المتزايد لمقاومة المضادات الحيوية (AMR). باستخدام بيانات من قاعدة بيانات IQVIA وAMRmap.ru، تدمج الدراسة بيانات استهلاك المضادات الحيوية واتجاهات مقاومة المضادات الحيوية عبر 82 منطقة في روسيا من 2008 إلى 2022. استخدم المؤلفون تقنيات تعلم الآلة المتقدمة، وخاصة آلة تعزيز التدرج الخفيف (LightGBM)، للتنبؤ بديناميات مقاومة المضادات الحيوية، كاشفين عن علاقة مباشرة بين استهلاك المضادات الحيوية وتطور المقاومة. تشير نتائج الدراسة إلى أن تحسين استخدام المضادات الحيوية يمكن أن يقلل مستويات مقاومة المضادات الحيوية بشكل كبير، بينما قد تؤدي الاتجاهات الحالية للاستهلاك إلى زيادة في المقاومة، لا سيما بين العدوى المكتسبة من المجتمع.
تسلط النتائج الضوء على أهمية العوامل المختلفة التي تؤثر على مقاومة المضادات الحيوية، بما في ذلك نوع العدوى وأنماط الاستهلاك التاريخية. أظهرت نماذج الدراسة التنبؤية دقة عالية، حيث حقق LightGBM دقة توقعات تبلغ حوالي 67% على مجموعة التدريب. تشير التحليلات إلى أن التعديلات الاستراتيجية في استهلاك المضادات الحيوية يمكن أن تؤدي إلى تقليل بنسبة 15%-20% في مستويات المقاومة على مدى عقد من الزمن، بما يتماشى مع إرشادات منظمة الصحة العالمية لإدارة المضادات الحيوية. ومع ذلك، تحذر سيناريوهات الاستهلاك الواقعية من زيادة محتملة بنسبة 5%-10% في المقاومة إذا استمرت الممارسات الحالية، مما يبرز ضرورة تعزيز تدابير السيطرة، لا سيما بالنسبة للعزلات غير المستشفوية من E. coli. بشكل عام، تؤكد الدراسة على إمكانيات تعلم الآلة في تحسين استخدام المضادات الحيوية وإدارة مقاومة المضادات الحيوية بشكل فعال.
DOI: https://doi.org/10.3389/fphar.2026.1715346
PMID: https://pubmed.ncbi.nlm.nih.gov/41737562
Publication Date: 2026-02-09
Author(s): M. A. Arepyeva et al.
Primary Topic: Antibiotic Use and Resistance
Overview
The research addresses the escalating issue of antimicrobial resistance (AMR), primarily driven by irrational antimicrobial usage. It employs mathematical modeling to analyze the relationship between antimicrobial consumption and historical resistance data across 82 regions in the Russian Federation from 2008 to 2022. The methodology involved standardizing regional data, excluding insignificant antimicrobial usage, and calculating moving averages for AMR and consumption in Defined Daily Doses. Principal component analysis was utilized to reduce dimensionality, and various machine learning algorithms, including Light Gradient Boosting Machine (LightGBM) and Random Forest, were tested to predict AMR based on the “model pair” concept of microorganism-antibiotic.
The findings revealed that the LightGBM model achieved the highest precision for the E. coli-cefotaxime pair, with 67.5% precision on the training set and 66.6% on the validation set, indicating no overfitting. Key predictors of AMR included the moving average of historical resistance and infection type. The optimization of antimicrobial consumption using the Constrained Optimization BY Linear Approximation (COBYLA) method predicted a potential 15-20% reduction in AMR over a decade, while a realistic Error, Trend, Seasonality (ETS) model scenario suggested a 5-10% increase in resistance. The study concludes that the developed LightGBM models can effectively forecast AMR dynamics and inform strategies for antimicrobial therapy management, highlighting the potential for consumption optimization to mitigate resistance.
Introduction
The introduction of the research paper highlights the alarming projections by the World Health Organization (WHO) regarding antimicrobial resistance (AMR), predicting that by 2050, AMR will directly cause 1.91 million deaths globally, with an additional 8.22 million deaths associated with it. The WHO has identified critical-priority pathogens, including carbapenem-resistant *Acinetobacter baumannii* and *Mycobacterium tuberculosis*, emphasizing the urgent need for effective antimicrobial stewardship. The improper use of antimicrobials within healthcare systems is cited as a primary driver of AMR, necessitating pharmaco-epidemiological studies and the implementation of the AWaRe classification to categorize antimicrobials and guide consumption practices.
The paper discusses the role of quantitative analysis in studying antimicrobial consumption using the Defined Daily Dose (DDD) metric, which facilitates comparative studies and the assessment of consumption patterns over time. It also outlines various strategies to combat AMR, including collaboration between microbiologists and clinical pharmacologists, the development of local treatment guidelines, and the use of digital healthcare and modeling techniques. Previous mathematical models have primarily focused on a limited set of pathogens and have rarely incorporated alternative therapeutic strategies. The study aims to develop a national repository of mathematical models that predict changes in AMR levels based on antibiotic consumption data, thereby providing a foundation for forecasting resistance trends and informing public health interventions.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including their sources and preparation methods, as well as the experimental setup, which may involve various instruments and techniques relevant to the research objectives. The section also describes the protocols followed for data collection and analysis, ensuring reproducibility and reliability of the results.
Additionally, statistical methods applied to interpret the data are specified, including any software used for analysis. The section emphasizes the importance of methodological rigor in validating the findings and discusses any controls or variables that were accounted for during the experiments. Overall, this section serves as a comprehensive guide to the methodologies that underpin the research outcomes.
Results
In this study, the researchers focused on the E. coli and cefotaxime pairing due to E. coli’s prevalence in microbiological studies in the Russian Federation, which provided a substantial dataset for analysis. Five predictive models were developed, with the LightGBM model outperforming others in terms of precision and robustness against data noise. The model’s performance was validated through a training set (70%) and a validation set (30%), revealing similar precision and recall metrics, indicating minimal overfitting and strong generalization capabilities. Specifically, recall values were 68.7% for training and 67.5% for validation, while precision was 67.5% and 66%, respectively.
The study also assessed feature importance, identifying the moving average of antimicrobial resistance and infection type as significant contributors to model accuracy. Forecast simulations indicated that optimizing antibiotic consumption could reduce resistance by 15%-20%, while maintaining current consumption levels could lead to a 5%-10% increase in resistance, particularly among community-acquired isolates. To facilitate broader access to these findings, the researchers developed the AMCmodel.ru portal, which provides interactive tools for users to explore model metrics and forecasts. Future work aims to expand this model repository to include additional pathogen-antibiotic pairs and integrate international data for comprehensive AMR analysis.
Discussion
The discussion section of the research paper emphasizes the critical role of forecasting models in addressing the growing threat of antimicrobial resistance (AMR). Utilizing data from the IQVIA database and AMRmap.ru, the study integrates antibiotic consumption data and AMR trends across 82 regions in Russia from 2008 to 2022. The authors employed advanced machine learning techniques, particularly the Light Gradient Boosting Machine (LightGBM), to predict AMR dynamics, revealing a direct correlation between antibiotic consumption and the development of resistance. The study’s findings suggest that optimizing antibiotic usage could potentially reduce AMR levels significantly, while current consumption trends may lead to an increase in resistance, particularly among community-acquired infections.
The results highlight the importance of various factors influencing AMR, including the type of infection and historical consumption patterns. The study’s predictive models demonstrated high accuracy, with LightGBM achieving a forecasting precision of approximately 67% on the training set. The analysis indicates that strategic adjustments in antibiotic consumption could lead to a reduction of 15%-20% in resistance levels over a decade, aligning with WHO guidelines for antimicrobial stewardship. However, the realistic consumption scenario warns of a potential 5%-10% increase in resistance if current practices persist, underscoring the necessity for enhanced control measures, particularly for non-hospital isolates of E. coli. Overall, the research underscores the potential of machine learning in optimizing antibiotic use and managing AMR effectively.