--- title: "Machine Learning im Kampf gegen Antibiotikaresistenzen" language: "de" type: "page" original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/machine-learning-im-kampf-gegen-antibiotikaresistenzen/" human_version: "../mensch/machine-learning-im-kampf-gegen-antibiotikaresistenzen/" date: "2020-06-02" section: "Übersichtsartikel" categories: ["Digitalisierung von Prozessen", "Forschung", "Krankenhaus", "Machine Learning", "Pharma", "Public Health"] author: "Thea Kreyenschulte" reading_time: "6 Min." description: "ML ermöglicht es, Datenbanken existierender Antibiotika zu durchsuchen. Wie kann diese Methode der Forschung zu Antibiotikaresistenzen dienen?" publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke" --- # Machine Learning im Kampf gegen Antibiotikaresistenzen *02.06.2020 · Übersichtsartikel · Von Thea Kreyenschulte* Multiresistente Erreger (MRE) – Bakterien, welche mehrere Resistenzen gegen zuvor wirksame Antibiotika entwickelt haben (1) – stellen eine ernstzunehmende Bedrohung der globalen Gesundheit dar. Seit der Entdeckung von Penicillin konnten viele Erreger bereits nach etwa drei bis fünf Jahren Antibiotikaresistenzen entwickeln (2, 3). Resistenzausbildungen sind natürliche Prozesse: Bakterien sind u.a. aufgrund ihrer Zellbeschaffenheit in der Lage, sich gegen Antibiotika zu wehren. Resistenzen können jedoch auch aufgrund von Mutationen im Erbgut oder durch Aufnahme von Resistenzgenen aus der Umwelt erworben werden (3). MRE werden potenziell lebensbedrohlich, wenn existierende Antibiotika entweder nicht mehr anschlagen, fälschlicherweise und nicht passgenau auf den Keim eingesetzt werden oder nicht schnell genug weiterentwickelt werden können (4). Grund ist das fortwährende Vorherrschen multiresistenter Bakterienstämme, welche im Zuge eines Selektionsdrucks weniger resistente Bakterien verdrängt haben. Diese Entwicklung wird durch eine unsachgemäße Antibiotikagabe verstärkt (1, 3). So verursachen MRE-Infektionen Kosten, Leid sowie zusätzliche Mortalität, welche die finanzielle Last auf das Gesundheitssystem erhöht (2). Jährlich sterben in Deutschland bis zu 4.000 Patienten an Infektionen durch MRE. Gleichzeitig steigt die Zahl der Infektionen, welche derzeit national bei rund 54.500 Patienten liegt, stetig (1). #### **Effiziente Hilfe gegen Bedrohung durch MRE benötigt** Bei derzeit nur elf verfügbaren Medikamenten zur Behandlung resistenter bakterieller Infektionen sowie steigender Mortalitätsrate hat die MRE-Forschung und eine entsprechende Entwicklung neuer Antibiotika oder Kombinationspräparate eine hohe Priorität (5). Eine potenziell wegweisende und effiziente Methode zur Hilfe in der Resistenzen- und Antibiotikaforschung stellt Machine Learning dar. Machine Learning ist ein iterativer Prozess und als Kategorie in das Feld der Künstlichen Intelligenz zu subsummieren. Es werden Algorithmen programmiert, welche initial an Datensets lernen und sich so auch ohne Weiteres selbstlernend entwickeln können. Demnach werden Vorhersagen ohne Regelwerk, auf Basis eingepflegter retrospektiver Daten durch Algorithmen getätigt. Sie dienen der Identifikation und Einschätzung von Ergebnissen (6). Da existierende Antibiotika im Kampf gegen MRE weitestgehend obsolet werden, ist die Pharmabranche gefragt, neue, innovative Wege in der Arzneimitteltherapie resistenter Bakterien zu gehen. Wie können Machine Learning Methoden der Forschung zu Antibiotikaresistenzen dienen? #### **Machine Learning in Forschung und Entwicklung** Durch herkömmliche DNA-Sequenzierung werden bereits große Mengen an Gensequenzen von Krankheitserregern für die Forschung zugänglich. Die hierbei erzeugten Datensammlungen können zur Erforschung molekularer Grundlagen von Antibiotikaresistenzen genutzt werden (7). Hier kann Machine Learning mit verschiedenen Erwartungen an das Output ansetzen. Denn generell ist die Suche anhand von Algorithmen in computerbasierten Datenbanken deutlich umfangreicher möglich und geht über klassische Forschungsansätze, in welchen Daten durch beteiligte Fachgruppen von Forschern klassifiziert werden, hinaus (4, 8). Ein Ansatz ist, Machine Learning zur **Identifikation neuer Antibiotikastrukturen**, gegen die noch keine Resistenzen gebildet wurden, einzusetzen. Klassische Versuche, neuartige Antibiotika zu entwickeln, werden immer ineffizienter, da inzwischen meist bereits bekannte Antibiotika identifiziert werden. Mit Machine Learning wird es möglich, Datenbanken zu existierenden Antibiotika zu durchsuchen und passende Moleküle zu identifizieren, die im Kampf gegen MRE potenziell in synthetischen Variationen einsetzbar werden. Dabei verspricht diese Methode Zeitersparnisse, die eine Suche nach solchen Variationen von Jahren auf potenziell Wochen verkürzt, sowie Einsparpotenziale in Personal und somit Kosteneffizienz. Da der Algorithmus spezifisch enorme Mengen an Daten verwertet, werden Kosten direkt mit Beginn der Methode eingespart und zeitgleich die positive Output-Menge an verwendbaren Daten erhöht (4). Darüber hinaus kann Machine Learning potenziell als Profiling Tool in der Pharmaforschung eingesetzt werden. Resistente Bakterienstämme könnten mithilfe von Algorithmen identifiziert und Informationen direkt in der Versorgung verwendet werden, um unnötige Behandlungen zu vermeiden. Im Gegensatz zu herkömmlichen statistischen Methoden konnten Machine Learning Algorithmen bereits Gene identifizieren, die jeweils Resistenzen aktiv übertragen oder hieran sowie an der Ausbildung neuer Resistenzen potenziell beteiligt sind. Das **Erstellen von Profilen mit detaillierten Informationen zu resistenten Bakterien mitsamt ihrer Wirkung auf die Ausbildung von Resistenzen**kann so Behandlungsergebnisse positiv beeinflussen (2, 7). Machine Learning als Einsatzszenario im Forschungskontext kann allein jedoch nicht die Lösung für sich rasch verbreitende MRE sein. Die Integration digitaler Forschungsansätze läuft letztlich ins Leere, wenn nicht auch Gegenmaßnahmen in der Keimverbreitung getroffen werden. Auch hier existieren bereits Projekte mit Integration von Machine Learning, welche der Prävention sowie Outbreak-Detection dienen. Beispiele sind das digitale Tracking von Handhygienemaßnahmen (9) sowie die Eindämmung von Infizierungen durch eine schnelle Identifizierung von Infektionsquellen mit MRE (6). #### **Fokussierung auf effiziente digitale Methoden** Viele Ressourcen werden in Forschung und Entwicklung (F&E) neuer Antibiotika und somit Bekämpfung des Problems investiert. So stellt das Bundesministerium für Bildung Forschung beispielsweise der Universität Boston rund 39 Millionen Euro für F&E neuer Antibiotika, Behandlungen oder Diagnoseverfahren im Bereich MRE zur Verfügung (10). Diese Ressourcen könnten u.a. in digitale Methoden wie Machine Learning investiert werden. Eine Spezialisierung der Pharmabranche auf digitale Ansätze würde nicht nur einer potenziell zügigeren F&E im Sinne der globalen Gesundheit dienen, sondern auch der Pharmabranche selbst. Denn durch effiziente digitale Methoden wie Machine Learning werden Kosten und Zeit eingespart und somit Ressourcen frei. #### **Fazit** Die Forschung zu Antibiotikaresistenzen sowie neuen Einsatzmöglichkeiten soll das Problem Multiresistenter Erreger an der Wurzel packen. Machine Learning kann hier unkompliziert und ressourcenschonend eingesetzt werden und im Kampf gegen Antibiotikaresistenzen und ihre Auswirkungen, angewendet auf große existierende Datensammlungen, eine adäquate ergänzende Strategie sein. Quellen 1. Koch-Institut R. Antworten auf häufig gestellte Fragen zu Krankenhausinfektionen und Antibiotikaresistenz 2018 [zum Original](https://www.rki.de/SharedDocs/FAQ/Krankenhausinfektionen-und-Antibiotikaresistenz/FAQ_Liste.html). 2. Khaledi A, Weimann A, Schniederjans M, Asgari E, Kuo TH, Oliver A, et al. Predicting antimicrobial resistance in Pseudomonas aeruginosa with machine learning-enabled molecular diagnostics. EMBO Mol Med. 2020;12(3):e10264. 10.15252/emmm.201910264 [zum Original](https://www.ncbi.nlm.nih.gov/pubmed/32048461) 3. Antao EM, Wagner-Ahlfs C. Antibiotic resistance : A challenge for society. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz. 2018;61(5):499-506. 10.1007/s00103-018-2726-y [zum Original](https://www.ncbi.nlm.nih.gov/pubmed/29633036) 4. Stokes JM, Yang K, Swanson K, Jin W, Cubillos-Ruiz A, Donghia NM, et al. A Deep Learning Approach to Antibiotic Discovery. Cell. 2020;180(4):688-702 e13. 10.1016/j.cell.2020.01.021 [zum Original](https://www.ncbi.nlm.nih.gov/pubmed/32084340) 5. Carb-X. The fight against superbugs. Annual Report 2018-2019. 2019. [zum Original](https://carb-x.org/wp-content/uploads/2019/09/Carbx_AR_2018_forweb2.pdf) 6. Fitzpatrick F, Doherty A, Lacey G. Using Artificial Intelligence in Infection Prevention. Curr Treat Options Infect Dis. 2020:1-10. 10.1007/s40506-020-00216-7 [zum Original](https://www.ncbi.nlm.nih.gov/pubmed/32218708) 7. Hyun JC, Kavvas ES, Monk JM, Palsson BO. Machine learning with random subspace ensembles identifies antimicrobial resistance determinants from pan-genomes of three pathogens. PLoS Comput Biol. 2020;16(3):e1007608. 10.1371/journal.pcbi.1007608 [zum Original](https://www.ncbi.nlm.nih.gov/pubmed/32119670) 8. Hunter J. How artificial intelligence is driving innovation in the pharmaceutical industry. The Biochemist. 2019;41(5):6-9. [zum Original](https://doi.org/10.1042/BIO04105006) 9. Geilleit R, Hen ZQ, Chong CY, Loh AP, Pang NL, Peterson GM, et al. Feasibility of a real-time hand hygiene notification machine learning system in outpatient clinics. J Hosp Infect. 2018;100(2):183-9. 10.1016/j.jhin.2018.04.004 [zum Original](https://www.ncbi.nlm.nih.gov/pubmed/29649558) 10. Bundesregierung D. Förderkatalog 2020 [zum Original](https://foerderportal.bund.de/foekat/jsp/SucheAction.do?actionMode=view&fkz=GG2019CARB). #### Verwandte Artikel - [Digitale Pharmakovigilanz – Trends in der Arzneimittelüberwachung](blog/2020/03/31/digitale-pharmakovigilanz.md) - [KI in der medizinischen Bildgebung. Quo vadis?](blog/2018/12/02/ki-in-der-medizinischen-bildgebung.md) - [Zukunft deutscher Pharma-Unternehmen und internationale Entwicklungen](blog/2019/11/28/digitale-datenverarbeitung-der-pharmabranche.md) **Kategorien:** Digitalisierung von Prozessen, Forschung, Krankenhaus, Machine Learning, Pharma, Public Health ## Bilder auf dieser Seite - 04-1320x477.jpg: ../mensch/assets/bilder/wp-content/uploads/2019/12/04-1320x477.jpg --- Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [Machine Learning im Kampf gegen Antibiotikaresistenzen](../mensch/machine-learning-im-kampf-gegen-antibiotikaresistenzen/)