Аннотация
Приобретённая бактериальная резистентность является одной из важнейших причин летальности при инфекционных заболеваниях. Математическое моделирование дает возможность прогнозировать распространение резистентности и выявлять факторы, влияющие на скорость этого процесса, что, в свою очередь, открывает перспективы управления этим процессом. В ходе систематического анализа литературы было отобрано 7 моделей, характеризующихся различными подходами к оценке влияния антибиотиков на распространение резистентности. Все модели были классифицированы в соответствии с используемым подходом к исследованию резистентности в присутствии антибиотика. Было выделено 3 основных класса и один дополнительный. Класс 1 состоял из двух моделей, которые включали параметр, отвечающий за влияние антибиотика как установленную суточную дозу (defined daily dose — DDD) и характеризовались схожими математическими подходами (анализ временных рядов, регрессия). Класс 2 включал одну модель, где влияние антибиотика рассматривали через долю пациентов, получивших лечение этим антибиотиком, а сам процесс описывали с помощью дифференциальных уравнений. Класс 3 — две модели: влияние антибиотика оценивали через дозу препарата как степень подавления роста; процесс детально описывали дифференциальными уравнениями с биологической точки зрения. Класс 4 — дополнительный и состоял из моделей, интересовавших нас не столько с точки зрения математических подходов, сколько с точки зрения полученных результатов. Все модели были проанализированы внутри классов, выявлены их плюсы и минусы с точки зрения применения.
-
1.
Spellberg B., Guidos R., Gilbert D., et al. The epidemic of antibiotic-resistant infections: a call to action for the medical community from the Infectious Diseases Society of America. Clin Infect Dis 2008; 46(2): 155-64.
-
2.
Macgowan A.P.; BSAC Working Parties on Resistance Surveillance. Clinical implications of antimicrobial resistance for therapy. J Antimicrob Chemother 2008; 62 Suppl 2:ii105-14.
-
3.
Schwaber M.J., Carmeli Y. Mortality and delay in effective therapy associated with extended-spectrum beta-lactamase production in Enterobacteriaceae bacteraemia: a systematic review and meta-analysis. J Antimicrob Chemother 2007; 60(5):913-20.
-
4.
Whitby M., McLaws M.L., Berry G. Risk of death from methicillin-resistant Staphylococcus aureus bacteraemia: a meta-analysis. Med J Aust 2001;175(5):264-7.
-
5.
Lee B.Y., Yilmaz S.L., Wong K.F., et al. Modeling the regional spread and control of vancomycin-resistant enterococci. Am J Infect Control 2013;41(8):668-73.
-
6.
Worby C.J., Jeyaratnam D., Robotham J.V., et al. Estimating the effectiveness of isolation and decolonization measures in reducing transmission of methicillinresistant Staphylococcus aureus in hospital general wards. Am J Epidemiol 2013;177(11):1306-13.
-
7.
Bootsma M.C., van der Horst M.A., Guryeva T., et al. Modeling non-inherited antibiotic resistance. Bull Math Biol 2012; 74(8):1691-705.
-
8.
Banks H.T., Hu S., Joyner M., et al. A comparison of computational efficiencies of stochastic algorithms in terms of two infection models. Math Biosci Eng 2012; 9(3):487-526.
-
9.
Chamchod F., Ruan S. Modeling methicillin-resistant Staphylococcus aureus in hospitals: transmission dynamics, antibiotic usage and its history. Theor Biol Med Model 2012; 9:25.
-
10.
Yahdi M., Abdelmageed S., Lowden J., et al. Vancomycinresistant enterococci colonization-infection model: parameter impacts and outbreak risks. J Biol Dyn 2012; 6(2):645-62.
-
11.
Chamchod F., Ruan S. Modeling the spread of methicillinresistant Staphylococcus aureus in nursing homes for elderly. PLoS One 2012; 7(1):e29757.
-
12.
Wang J., Wang L., Magal P., et al. Modelling the transmission dynamics of meticillin-resistant Staphylococcus aureus in Beijing Tongren hospital. J Hosp Infect 2011; 79(4):302-8.
-
13.
Kardas-Sloma L., Boëlle P.Y., Opatowski L., et al. Impact of antibiotic exposure patterns on selection of communityassociated methicillin-resistant Staphylococcus aureus in hospital settings. Antimicrob Agents Chemother 2011; 55(10):4888-95.
-
14.
Artalejo J.R., Economou A., Lopez-Herrero M.J., et al. On the number of recovered individuals in the SIS and SIR stochastic epidemic models. Math Biosci 2010; 228(1):45-55.
-
15.
Webb G.F., D’Agata E.M., Magal P., et al. A model of antibiotic-resistant bacterial epidemics in hospitals. Proc Natl Acad Sci U S A 2005; 102(37):13343-8.
-
16.
Aldrin M., Raastad R., Tvete I.F., et al. Antibiotic resistance in hospitals: a ward-specific random effect model in a low antibiotic consumption environment. Stat Med 2013; 32(8):1407-18.
-
17.
Karlsson D. Probabilistic network modelling of the impact of penicillin consumption on spread of pneumococci. Epidemiol Infect 2011; 139(9):1351-60.
-
18.
D’Agata E.M., Webb G., Horn M., et al. A mathematical model quantifying the impact of antibiotic exposure and other interventions on the endemic prevalence of vancomycin-resistant enterococci. J Infect Dis 2005; 192(11):2004-11.
-
19.
Friedman A., Ziyadi N., Boushaba K., et al. A model of drug resistance with infection by health care workers. Math Biosci Eng 2010; 7(4):779-92.
-
20.
D’Agata E.M., Dupont-Rouzeyrol M., Magal P., et al. The impact of different antibiotic regimens on the emergence of antimicrobial-resistant bacteria. PLoS One 2008; 3(12):e4036.
-
21.
Sun L., Klein E.Y., Laxminarayan R. Seasonality and temporal correlation between community antibiotic use and resistance in the United States. Clin Infect Dis 2012; 55(5):687-94.
-
22.
Geli P., Rolfhamre P., Almeida J., et al. Modeling pneumococcal resistance to penicillin in southern Sweden using artificial neural networks. Microb Drug Resist 2006; 12(3):149-57.