AI afslører kritiske huller i global antimikrobiel resistensforskning

Kunstig intelligens (AI) har hjulpet med at identificere viden, metodologiske og kommunikationshuller i global antimikrobiel resistens (AMR) forskning.

I en ny undersøgelse udført af det kinesiske videnskabsakademi og Newcastle University under ledelse af henholdsvis professor Yong-Guan Zhu og professor David W. Graham, har eksperter udarbejdet en omfattende database med 254.738 artikler, der strækker sig over to årtier, og kastede lys over mønstre af AMR-forskning på verdensplan.

De fandt ud af, at terminologien og metoderne, der bruges i AMR-forskning, er væsentligt forskellige på tværs af de medicinske, veterinære, fødevaresikkerheds-, planteavl og miljøsektorer. De semantiske og metodiske forskelle resulterer i begrænset værdiansættelsesarbejde mellem sektorer og begrænset tværsektoriel kommunikation, hvilket resulterer i inkonsistente budskaber til beslutningstagere.

Gennem sofistikeret AI-baseret analyse udviklede holdet globale kort, der viser regionale, metodiske og sektorbestemte AMR-forskningsaktiviteter. Resultaterne bekræfter en markant mangel på tværfagligt samarbejde, især i lavindkomstlande, hvor byrden ved at øge AMR er mest akut.

Udgivet i tidsskriftet Environment International , forklarer resultaterne, hvorfor løsninger til AMR baseret på One Health ikke udvikler sig efter behov. Resultaterne kan spille en afgørende rolle i at give vejledning om, hvordan og hvor man bedre kan integrere AMR-overvågning på tværs af sektorer og regioner verden over.

Professor David W. Graham, emeritus professor i ingeniørvidenskab ved Newcastle University, sagde:"Resultaterne fremhæver det presserende behov for større koordinering af forskningsmetoder på tværs af sektorer og regioner. For eksempel har de medicinske og veterinære samfund brug for information om levende AMR-infektiøse patogener for at prioritere beslutninger, hvorimod miljøforskere ofte fokuserer på genetiske mål. Vores arbejde viser, at dyrkning af mikrobiologi og isolatsekventering og metagenomik skal udføres sideløbende i alt fremtidigt arbejde, og mere kontekstdata skal indsamles for at relatere resultater fra forskellige sektorer.

"Vores papirs resultater understøtter nøglebudskaber fra FN's miljøprogram og Verdenssundhedsorganisationen, der understreger, at den bedste måde at afbøde AMR på er gennem forebyggelse og integreret overvågning, hvilket er nøglen til at prioritere løsninger."

Dette behandles af FN's Quadripartite Technical Group on Integrated Surveillance on Antimicrobial Use and Resistance, som både Prof Zhu og Graham er medlemmer af.

Graham fortsatte:"Dette arbejde var kun muligt på grund af dets nye brug af kunstig intelligens og naturlig sprogbehandling til intelligent søgning i en omfattende og levende database, et arkiv, vi gør åbent tilgængeligt til offentlig brug og bidrag. Dette papir repræsenterer det første i en række af fælles manuskripter, der udnytter AI til at guide fremtidens AMR og anden forskningsdagsorden."

Professor Yong-Guan Zhu, professor i miljøvidenskab, det kinesiske videnskabsakademi, tilføjede:"Rammen for One Health er af afgørende betydning for at beskytte menneskers og økosystemernes sundhed, men det har brug for køreplaner at implementere; denne undersøgelse identificerer rettidigt [en] vej fremad Undersøgelsen viser også, at tværfagligt og internationalt samarbejde er afgørende for at løse globale udfordringer, og vi bør omfavne nye teknologier, såsom AI."

Begge videnskabsmænd anbefaler fremtidig forskning og øget investering i kapacitetsudvikling, især i lavindkomstlande, for at løse de presserende AMR-udfordringer i disse regioner.

Flere oplysninger: Cai Chen et al., Karakterisering af global antimikrobiel resistensforskning forklarer, hvorfor One Health-løsninger er langsomme i udvikling:En anvendelse af AI-baseret gap-analyse, Environment International (2024). DOI:10.1016/j.envint.2024.108680

Journaloplysninger: Environment International

Leveret af Newcastle University