Аннотация
Приобретённая антибиотикорезистентность является одной из ведущих причин смертности и заболеваемости от инфекционных болезней. Математическое моделирование может дать возможность прогнозировать дальнейшее распространение резистентности и, в некоторой степени, управлять её динамикой. Цель настоящего исследования — построение математической модели, описывающей зависимость между уровнем резистентности и объёмом (структурой) потребления антибиотиков. На первом этапе был проведён анализ опубликованных в мире моделей, посвящённых достижению данной цели. На втором этапе было организовано и проведено кросс-секционное ретроспективное исследование с целью сбора клинико-микробиологических данных для построения модели. На третьем этапе была построена и валидирована модель. В результате было показано, что на уровень резистентности достоверно влияет объём потребления различных групп антибиотиков. Построенная модель позволяет прогнозировать изменение резистентности, а также показывает влияние обёма потребления на уровень резистентности.
Санкт-Петербургский государственный университет, Санкт-Петербург, Россия
Санкт-Петербургский государственный университет, Санкт-Петербург, Россия
Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова, Санкт-Петербург, Россия
НИИ детских инфекций, Санкт-Петербург, Россия
Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова, Санкт-Петербург, Россия
Санкт-Петербургский государственный университет, Санкт-Петербург, Россия
Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова, Санкт-Петербург, Россия
Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова, Санкт-Петербург, Россия
-
1.
Колбин А.С., Сидоренко С.В., Балыкина Ю.Е. Социально-экономические ас-пекты приобретенной бактериальной резистентности. Клиническая фармакология и терапия 2010; 19(5):16-2
-
2.
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.
-
3.
Alawieh A., Sabra Z., Bizri A.R., et al. A computational model to monitor and predict trends in bacterial resistance. J Global Antimicrobial Resistance 2010, http://dx.doi.org/10.1016/j.jgar.2015.04.006.
-
4.
Арепьева М.А., Прасолов А.В., Свиркин М.В., Колосовская Е.Н., Дарьина М.Г., Соусова Е.В., Кафтырева Л.А., Пургина Е.Р., Петрова Е.А., Сидоренко C.В., Колбин А.С. Математическая модель расчета приобретенной антибиотикорезистентности. Вестник СПбГУ 2011; Серия 11 (Выпуск 2):101-14.
-
5.
Arepeva M., Kolbin A., Balykina Y., Kurilev A., Sidorenko S. What should be considered if you decide to build your mathematical model for predicting the development of bacterial resistance? Recommendations based on a systematic review of the literature. Frontiers in Microbiology 2015; 6:352.
-
6.
Арепьева М.А., Колбин А.С., Курылев А.А., Балыкина Ю.Е., Сидоренко С.В. Систематический обзор математических моделей, применяемых для прогнозирования развития резистентности бактерий к антибиотикам. Клиническая Микробиология и Антимикробная Химиотерапия 2014; 16(2):137-43.
-
7.
Berger P., Pascal L., Sartor C., et al. Generalized additive model demonstrates fluoroquinolone use/resistance relationships for Staphylococcus aureus. Eur J Epidemiol 2004; 19(5):453-60.
-
8.
http://www.who.int/medicines/areas/quality_safety/safety_efficacy/utilization/en/
-
9.
Brown E.M., Nathwani В. Antibiotic cycling or rotation: a systematic review of the evidence of efficacy. J Antimicrob Chemother 2005; 55(1): 6-9.