Antimo – antimicrobial optimisation & infection control

L’antibiotico-resistenza (AMR) è una delle dieci principali minacce globali per la salute pubblica e rappresenta un’emergenza sanitaria con gravi conseguenze in termini di mortalità e costi. Ogni anno l’AMR è associata a quasi 5 milioni di decessi nel mondo e l’Italia è tra i Paesi europei più esposti. In questo contesto, aggravato dalla pandemia di COVID-19, Istituto Dermopatico dell’Immacolata IDI-IRCCS di Roma, Kelyon e Università di Salerno hanno avviato uno studio retrospettivo osservazionale da cui è nata AntiMO, una soluzione digitale progettata per supportare i medici nella lotta contro i microrganismi multiresistenti. La piattaforma si integra con i sistemi informativi ospedalieri e di laboratorio per la gestione e l’analisi dei dati clinici. Inoltre, utilizza algoritmi di intelligenza artificiale basati su modelli predittivi per supportare la valutazione della sensibilità dei microrganismi agli antibiotici. Tra le principali funzionalità della piattaforma vi sono il monitoraggio continuo dei casi di infezione per reparto, campione e caratteristiche cliniche, l’identificazione tempestiva dei pazienti ad alto rischio e l’analisi in tempo reale dei trend di resistenza, utile a individuare precocemente reparti e situazioni critiche. Nella piattaforma è disponibile, e attualmente in fase di validazione e certificazione, il modulo di intelligenza artificiale (IA) per l’elaborazione dell’antibiogramma digitale, che con almeno 48 ore di anticipo rispetto all’antibiogramma di laboratorio, fornisce una stima probabilistica della sensibilità e non sensibilità degli antibiotici testati per ogni singola specie batterica sulla base della storia clinica del paziente. Il modulo è stato realizzato considerando dati relativi alle suscettibilità antimicrobiche, per 34 specie batteriche, raccolti dal Laboratory Information System dell’IDI-IRCCS tra il 2018 e il 2022. Il dataset comprendeva 10.551 isolati positivi da 6.992 pazienti, prevalentemente di sesso femminile, con età media di 63,0 ± 20,2 anni, afferenti soprattutto a reparti medici e in regime ambulatoriale. Tra i modelli di machine learning valutati, XGBoost è risultato il più performante e, dopo ottimizzazione degli iperparametri e applicazione di tecniche di bilanciamento delle classi di risposta antimicrobica, ha raggiunto un’AUC (Area Under the Curve) di circa 0,90. AntiMO rappresenta quindi un esempio concreto di integrazione dell’IA nei sistemi ospedalieri per affrontare problemi sanitari reali.