Интегрированная система мониторинга потребления антимикробных препаратов и прогнозирования резистентности на основе динамических моделей | КМАХ

Интегрированная система мониторинга потребления антимикробных препаратов и прогнозирования резистентности на основе динамических моделей

Клиническая микробиология и антимикробная химиотерапия. 2025; 27(3):330-341

​ Арепьева М.А., Кузьменков А.Ю., Старостенков А.А., Колбин А.С., Балыкина Ю.Е., Гомон Ю.М., Курылев А.А., Козлов Р.С.
10.36488/cmac.2025.3.330-341
антимикробные препараты потребление фармакоэпидемиология установленная дневная доза машинное обучение прогнозирование резистентности
Раздел
Антимикробные препараты
Тип
Оригинальная статья
Публикация
Клиническая микробиология и антимикробная химиотерапия. 2025; 27(3):330-341

Цель.

Разработка и валидация комплекса математических моделей для прогнозирования тенденций антимикробной резистентности (АМР) на национальном уровне с учетом данных о потреблении антимикробных препаратов (АМП) и текущих уровнях антимикробной резистентности.

Материалы и методы.

Использованы данные о потреблении системных АМП в 82 регионах России за 2008–2022 гг. (источник: IQVIA) и уровни АМР за 2013–2022 гг. (источник: AMRmap.ru). Анализ включал нормализацию региональных названий, фильтрацию АМП с низкой клинической значимостью, вычисление скользящих средних (3–10 лет) для параметров АМР и выражение потребления АМП в определенных дневных дозах (DDD). Для снижения размерности пространства признаков применен метод главных компонент (PCA). В рамках концепции «модельной пары» (микроорганизм– антибиотик) протестированы алгоритмы машинного обучения: LightGBM, Random Forest, логистическая регрессия, SVM с линейным и гауссовым ядрами. Оптимизация гиперпараметров проведена с использованием k-кратной кросс-валидации; оценка эффективности моделей выполнена по метрикам точности и полноты. Прогнозирование АМР реализовано для двух сценариев: оптимизированного (COBYLA) и реалистичного (ETS-модель).

Результаты.

Для пары «Escherichia coli / цефотаксим» модель LightGBM показала наивысшие показатели точности (67,5% на обучающей выборке, 66,6% на валидационной) без признаков переобучения. Основными предикторами АМР стали значения скользящего среднего исторических данных о резистентности и тип инфекции (внебольничная/нозокомиальная). Оптимизация структуры потребления позволила спрогнозировать снижение уровня АМР на 15–20% за десятилетие, тогда как реалистичный сценарий предсказал рост резистентности на 5–10%, особенно среди внебольничных изолятов. Разработана онлайн-платформа AMCmodel.ru, обеспечивающая визуализацию данных, доступ к моделям и генерацию прогнозов.

Выводы.

Разработанная система предоставляет инструменты для точного прогнозирования динамики АМР и разработки стратегий управления антимикробной терапией. Оптимизация потребления АМП, согласно результатам моделирования, способна снизить резистентность на 15–20%. Платформа AMCmodel.ru служит инструментом для оперативного принятия решений в реальном времени. Перспективы работы включают расширение комплекса моделей на новые пары «микроорганизм–антибиотик» и интеграцию международных данных для повышения прогностической значимости моделей.

Арепьева Мария Александровна

ФГБОУ ВО «Санкт-Петербургский государственный университет», Санкт-Петербург, Россия

Кузьменков Алексей Юрьевич

ФГБОУ ВО «Смоленский государственный медицинский университет» Минздрава России, Смоленск, Россия

Старостенков А.А.

ФГБОУ ВО «Смоленский государственный медицинский университет» Минздрава России, Смоленск, Россия

Колбин Алексей Сергеевич

ФГБОУ ВО «Санкт-Петербургский государственный университет», Санкт-Петербург, Россия
ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова» Минздрава России, Санкт-Петербург, Россия

Балыкина Ю.Е.

ФГБОУ ВО «Санкт-Петербургский государственный университет», Санкт-Петербург, Россия

Гомон Юлия Михайловна

ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова» Минздрава России, Санкт-Петербург, Россия

Курылев А.А.

ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова» Минздрава России, Санкт-Петербург, Россия

Козлов Роман Сергеевич

ФГБОУ ВО «Смоленский государственный медицинский университет» Минздрава России, Смоленск, Россия

  • 1. Naghavi M., Vollset S.E., Ikuta K.S., Swetschinski L.R., Gray A.P., Wool E.E., et al. Global burden of bacterial antimicrobial resistance 1990-2021: a systematic analysis with forecasts to 2050. The Lancet. 2024;404(10459):1199-1226. DOI: 10.1016/S0140-6736(24)01867-1
  • 2. Antimicrobial resistance: an agenda for all. The Lancet. 2024;403(10442):2349. DOI: 10.1016/S0140-6736(24)01076-6
  • 3. World Health Organization. Bacterial priority pathogens list, 2024: bacterial pathogens of public health importance to guide research, development and strategies to prevent and control antimicrobial resistance World Health Organization. 2024. Available at: www.who.int/publications/i/item/9789240093461. Accessed August 15, 2025.
  • 4. World Health Organization. WHO policy guidance on integrated antimicrobial stewardship activities. 2021. Available at: https://iris.who.int/bitstream/handle/10665/341432/9789240025530-eng.pdf?sequence=1. Accessed August 15, 2025.
  • 5. Holmes A.H., Moore L.S., Sundsfjord A., Steinbakk M., Regmi S., Karkey A., et al. Understanding the mechanisms and drivers of antimicrobial resistance. The Lancet. 2016;387(10014):176-187. DOI: 10.1016/S0140-6736(15)00473-0
  • 6. World Health Organization. Global Action Plan on Antimicrobial Resistance. 2015. Available at: www.who.int/publications/i/item/9789241509763. Accessed August 10, 2025.
  • 7. World Health Organization. The WHO AWaRe (Access, Watch, Reserve) antibiotic book. 2022. Available at: https://iris.who.int/bitstream/handle/10665/365237/9789240062382-eng.pdf?sequence=1. Accessed August 10, 2025.
  • 8. Sulis G., Sayood S., Katukoori S., Bollam N., George I., Yaeger L.H., et al. Exposure to World Health Organization’s AWaRe antibiotics and isolation of multidrug resistant bacteria: a systematic review and meta-analysis. Clin Microbiol Infect. 2022;28(9):1193-1202. DOI: 10.1016/j.cmi.2022.03.014
  • 9. Defined Daily Dose (DDD). Definition and general considerations. Available at: www.who.int/tools/atc-dddtoolkit/about-ddd. Accessed August 20, 2025.
  • 10. Fishman N. Antimicrobial stewardship. Am J Med. 2006;119(6):S53-S61. DOI: 10.1016/j.amjmed.2006.04.003
  • 11. Using digital health to address antimicrobial resistance. Lancet Digit Health. 2024;6(12):e879. DOI: 10.1016/S2589-7500(24)00251-6
  • 12. Heesterbeek H., Anderson R.M., Andreasen V., Bansal S., De Angelis D., Dye C., et al. Modeling infectious disease dynamics in the complex landscape of global health. Science. 2015;347(6227):aaa4339. DOI: 10.1126/science.aaa4339
  • 13. Niewiadomska A.M., Jayabalasingham B., Seidman J.C., Willem L., Grenfell B., Spiro D., et al. Population-level mathematical modeling of antimicrobial resistance: a systematic review. BMC Med. 2019;17(1):81. DOI: 10.1186/s12916-019-1314-9
  • 14. Arepyeva M.A., Kolbin A.S., Sidorenko S.V., Lawson R., Kurylev A.A., Balykina Y.E., et al. A mathematical model for predicting the development of bacterial resistance based on the relationship between the level of antimicrobial resistance and the volume of antibiotic consumption. J Glob Antimicrob Resist. 2017;8:148-156. DOI: 10.1016/j.jgar.2016.11.010
  • 15. ATC/DDD Index. Published 2024. Available at: https://atcddd.fhi.no/atc_ddd_index/. Accessed August 20, 2025.
  • 16. Kuzmenkov A.Yu., Vinogradova A.G., Trushin I.V., Edelstein M.V., Avramenko A.A., Dekhnich A.V., et al. AMRmap – antibiotic resistance surveillance system in Russia. Kliniceskaa mikrobiologia i antimikrobnaa himioterapia. 2021;23(2):198-204. Russian. (Кузьменков А.Ю., Виноградова А.Г., Трушин И.В., Эйдельштейн М.В., Авраменко А.А., Дехнич А.В. и соавт. AMRmap – система мониторинга антибиотикорезистентности в России. Клиническая микробиология и антимикробная химиотерапия. 2021;23(2):198-204.) DOI: 10.36488/cmac.2021.2.198-204
  • 17. European Committee on Antimicrobial Susceptibility Testing. Breakpoint Tables for Interpretation of MICs and Zone Diameters. Version 12.0.; 2022. Available at: www.eucast.org. Accessed August 20, 2025.
  • 18. Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. In: Guyon I., Luxburg U.V., Bengio S., Wallach H., Fergus R., Vishwanathan S., et al., eds. Advances in Neural Information Processing Systems. Vol 30. Curran Associates, Inc.; 2017. Available at: https://proceedings.neurips.cc/paper_files/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf. Accessed August 20, 2025.
  • 19. Cox D.R. The regression analysis of binary sequences. J R Stat Soc Ser B Stat Methodol. 1958;20(2):215-232. DOI: 10.1111/j.2517-6161.1958.tb00292.x
  • 20. Breiman L. Random forests. Mach Learn. 2001;45(1):5-32. DOI: 10.1023/A:1010933404324
  • 21. Cortes C., Vapnik V. Support-vector networks. Mach Learn. 1995;20(3):273-297. DOI: 10.1007/BF00994018
  • 22. Powell M.J. A view of algorithms for optimization without derivatives. Cambridge University Technical Report DAMTP 2007. Available at: www.damtp.cam.ac.uk/user/na/NA_papers/NA2007_03.pdf. Accessed August 20, 2025.
  • 23. Hyndman R.J., Athanasopoulos G. Forecasting: principles and practice. 2018. OTexts. Available at: https://otexts.org/fpp2/. Accessed August 21, 2025.
  • 24. Cesaro A., Hoffman S.C., Das P., De La Fuente-Nunez C. Challenges and applications of artificial intelligence in infectious diseases and antimicrobial resistance. NPJ Antimicrob Resist. 2025;3(1):2. DOI: 10.1038/s44259-024-00068-x
  • 25. Lv G., Wang Y. Machine learning-based antibiotic resistance prediction models: an updated systematic review and meta-analysis. Technol Health Care. 2024;32(5):2865-2882. DOI: 10.3233/THC-240119
  • 26. Ardila C.M., González-Arroyave D., Tobón S. Machine learning for predicting antimicrobial resistance in critical and high-priority pathogens: a systematic review considering antimicrobial susceptibility tests in realworld healthcare settings. Ahmed MO, ed. PLoS One. 2025;20(2):e0319460. DOI: 10.1371/journal.pone.0319460
  • 27. Li H., Samore M.H., Zhang Y. Comparative evaluation of time series forecasting approaches for facility-level antibiotic resistance outcomes in the Veterans Health Administration. medRxiv. 2025. DOI: 10.1101/2025.04.17.25325964
  • 28. Tsuzuki S., Koizumi R., Asai Y., Ohmagari N. Trends in antimicrobial consumption: long-term impact of the COVID-19 pandemic. Clin Microbiol Infect. 2025; 31(4):594-599. DOI: 10.1016/j.cmi.2024.12.005
  • 29. Sakagianni A., Koufopoulou C., Feretzakis G., Kalles D., Verykios V.S., Myrianthefs P., et al. Using machine learning to predict antimicrobial resistance – a literature review. Antibiotics. 2023;12(3):452. DOI: 10.3390/antibiotics12030452
  • 30. Mudenda S., Daka V., Matafwali S.K. World Health Organization AWaRe framework for antibiotic stewardship: where are we now and where do we need to go? An expert viewpoint. Antimicrob Steward Healthc Epidemiol. 2023;3(1):e84. DOI: 10.1017/ash.2023.164
  • 31. Arnold A., McLellan S., Stokes J.M. How AI can help us beat AMR. NPJ Antimicrob Resist. 2025;3(1):18. DOI: 10.1038/s44259-025-00085-4
Просмотров
0 Аннотация
0 PDF
0 Цитирования
Поделились