Un recente studio coordinato dall’IDI IRCCS di Roma, in collaborazione con Università di Salerno, Kelyon, CNR, Istituto Superiore di Sanità e Università Link di Roma, ha dimostrato come l’uso di modelli di machine learning possa prevedere con oltre il 90% di accuratezza la risposta dei batteri agli antibiotici.
La ricerca, pubblicata sull’International Journal of Infectious Diseases, ha coinvolto quasi 10.000 pazienti italiani, analizzando 15.581 isolati batterici raccolti tra il 2018 e il 2024 in due ospedali italiani. I dati clinici e microbiologici già presenti nelle cartelle dei pazienti sono stati utilizzati per sviluppare un “antibiogramma digitale”, in grado di prevedere la sensibilità ai diversi antibiotici con almeno 48 ore di anticipo rispetto ai metodi tradizionali.
Tra gli algoritmi testati, XGBoost ha mostrato le migliori performance, con accuratezza particolarmente elevata nella previsione della suscettibilità per batteri Gram-positivi e Gram-negativi. I risultati si sono dimostrati eccellenti per specie chiave come Pseudomonas aeruginosa, Klebsiella pneumoniae, Enterococcus faecalis, Escherichia coli, Proteus mirabilis e Staphylococcus aureus.
«Questi risultati dimostrano che le informazioni normalmente disponibili nelle cartelle cliniche, se correttamente elaborate, possono supportare decisioni terapeutiche rapide, efficaci e mirate» spiega il microbiologo Dr. Giuseppe Piccinni, co-autore dello studio.
Impatto clinico e prospettive
Il vantaggio principale della metodologia è la riduzione del tempo necessario per identificare la terapia antibiotica più efficace. La possibilità di somministrare il farmaco corretto in anticipo può migliorare significativamente gli esiti clinici, ridurre la mortalità, abbreviare i ricoveri e contenere l’uso improprio di antibiotici ad ampio spettro, contrastando così lo sviluppo di resistenze.
Lo studio rappresenta un esempio concreto di medicina personalizzata: le decisioni terapeutiche tengono conto non solo del microrganismo isolato, ma anche delle caratteristiche specifiche di ciascun paziente.
«L’intelligenza artificiale non sostituirà il medico, ma offrirà uno strumento di supporto decisionale integrabile con l’esperienza clinica» sottolinea il coordinatore dello studio, l’oncologo Antonio Facchiano. «Ulteriori studi multicentrici saranno necessari per confermare i risultati su popolazioni più ampie, con l’obiettivo di sviluppare sistemi di supporto clinico sempre più affidabili e in tempo reale.»
Questo approccio innovativo apre la strada a terapie antimicrobiche di precisione, puntando a un uso più efficace degli antibiotici e a un futuro in cui l’IA possa contribuire concretamente a ridurre la crescente minaccia dell’antibiotico-resistenza.
