.png){kind=logo}
Use variáveis clínicas do EMR dos pacientes para prever a resistência aos antibióticos.
A resistência antimicrobiana (AMR) tornou-se um sério problema de saúde global. Nas unidades de terapia intensiva, a gravidade da ameaça de ADR é destacada pelo fato de que entre 30% e 60% dos antibióticos prescritos são considerados desnecessários, inadequados ou abaixo do ideal (1) (2). Esse alto nível de uso indevido não apenas prejudica a eficácia dos tratamentos, mas também catalisa o avanço de cepas bacterianas resistentes. Além disso, o acesso inadequado aos antibióticos é alarmante, como evidenciado pela alta porcentagem de medicamentos vendidos sem receita médica: 27% nas áreas urbanas e 8% nas áreas rurais, contribuindo para a crise da AMR (3) (4). Além disso, a leniência na dispensação de antibióticos pelas farmácias, onde 51,7% o fazem sem a prescrição adequada (5) (6), continua alimentando esse risco global à saúde que ameaça reverter décadas de progresso médico.
Para abordar a questão da resistência antimicrobiana, o modelo “AMRForecast AI” foi desenvolvido para orientar a comunidade médica na prescrição de terapias antibióticas precisas. Ao analisar dados clínicos e genômicos, o AMRForecast AI torna possível prever a eficácia dos antibióticos.
O modelo integra dois conjuntos de dados principais. O Genomic Data Resource (8) coleta sequências genômicas de laboratórios clínicos, essenciais para entender a evolução do patógeno. Os registros clínicos não estruturados vêm dos EHRs dos pacientes (7) e contêm uma grande quantidade de informações, incluindo dados demográficos, diagnósticos e resultados do tratamento. Esses conjuntos de dados fornecem uma visão abrangente da resistência antimicrobiana, permitindo que a IA detecte e analise tendências de resistência.
A resistência antimicrobiana (AMR) tornou-se um sério problema de saúde global. Nas unidades de terapia intensiva, a gravidade da ameaça de ADR é destacada pelo fato de que entre 30% e 60% dos antibióticos prescritos são considerados desnecessários, inadequados ou abaixo do ideal (1) (2). Esse alto nível de uso indevido não apenas prejudica a eficácia dos tratamentos, mas também catalisa o avanço de cepas bacterianas resistentes. Além disso, o acesso inadequado aos antibióticos é alarmante, como evidenciado pela alta porcentagem de medicamentos vendidos sem receita médica: 27% nas áreas urbanas e 8% nas áreas rurais, contribuindo para a crise da AMR (3) (4). Além disso, a leniência na dispensação de antibióticos pelas farmácias, onde 51,7% o fazem sem a prescrição adequada (5) (6), continua alimentando esse risco global à saúde que ameaça reverter décadas de progresso médico.
Para abordar a questão da resistência antimicrobiana, o modelo “AMRForecast AI” foi desenvolvido para orientar a comunidade médica na prescrição de terapias antibióticas precisas. Ao analisar dados clínicos e genômicos, o AMRForecast AI torna possível prever a eficácia dos antibióticos.
O modelo integra dois conjuntos de dados principais. O Genomic Data Resource (8) coleta sequências genômicas de laboratórios clínicos, essenciais para entender a evolução do patógeno. Os registros clínicos não estruturados vêm dos EHRs dos pacientes (7) e contêm uma grande quantidade de informações, incluindo dados demográficos, diagnósticos e resultados do tratamento. Esses conjuntos de dados fornecem uma visão abrangente da resistência antimicrobiana, permitindo que a IA detecte e analise tendências de resistência.
