Ученые использовали ИИ для выявления устойчивых к антибиотикам бактерий

Ученые из Университета Цюриха разработали искусственный интеллект (ИИ), способный выявлять бактерии, устойчивые к антибиотикам. Команда под руководством профессора Адриана Эгли из Института медицинской микробиологии первой исследовала, как модель GPT-4 может помочь в анализе антибиотикорезистентности.

Ученые использовали ИИ для выявления устойчивых к антибиотикам бактерий

© unsplash

Учёные применили ИИ для интерпретации теста Кирби-Бауэра, который помогает врачам определить, какие антибиотики могут бороться с определенной бактериальной инфекцией. На основе GPT-4 был создан инструмент «EUCAST-GPT-expert», который следует строгим рекомендациям Европейского комитета по испытанию антимикробной чувствительности. Система была протестирована на сотнях бактериальных изолятов, что позволило выявить резистентность к жизнеобеспечивающим антибиотикам.

Хотя система показала хорошие результаты в выявлении определенных типов резистентности, она не была безошибочной. Искусственный интеллект иногда ошибочно определял бактерии как резистентные, что могло приводить к задержкам в лечении. Однако система может помочь стандартизировать и ускорить диагностический процесс.

Эгли подчеркивает, что необходимы дополнительные тестирования и усовершенствования, прежде чем этот инструмент можно будет использовать в больницах. Несмотря на ограничения, исследование подчеркивает трансформационный потенциал ИИ в здравоохранении и его способность улучшить диагностику антибиотикорезистентных инфекций.

Ученые использовали ИИ для выявления устойчивых к антибиотикам бактерий

© Ferra.ru

rambler.ru

Next Post

ИИ научили выявлять рак кожи

Учёные из Восточной Англии разработали инновационную модель искусственного интеллекта (ИИ), способную проверять наличие рака кожи. Исследование, проведённое группой из Университета Англии Рускин, Check4Cancer, Университета Эссекса и больницы Адденбрука, показало, что новая ИИ-модель превосходит существующие методы диагностики. © unsplash Для обучения модели использовались данные 53 601 кожного образования от 25 105 пациентов. […]