马德里卡洛斯三世大学（UC3M）正在开展研究，分析抗生素耐药性模式，目的是找到有助于决定对每种类型的患者适用哪种治疗并阻止细菌传播的趋势。这项研究最近发表在科学杂志《自然通信》上，是与埃克塞特大学、伯明翰大学（均在英国）和悉尼（澳大利亚）的韦斯特米德医院一起进行的。

为了观察细菌病原体在临床环境中对抗生素的耐药性，使用了一种名为MIC（最低抑制浓度）的测量方法，即能够抑制细菌生长的抗生素的最低浓度。细菌对抗生素的MIC越大，其耐药性就越强。

然而，大多数公共数据库只包含耐药病原体的频率，这是根据MIC测量和预定义的耐药性阈值计算的汇总数据。UC3M数学系讲师和研究员、研究作者Pablo Catalán说，例如，对于给定的病原体，抗生素耐药性阈值可能为4：如果一种细菌的MIC为16，则被视为耐药性，并在计算耐药频率时计算耐药性频率时计算。在这方面，在全国范围内和世卫组织等组织进行的抗药性报告是使用这些综合耐药性频率数据编写的。

为了进行这项研究，该团队分析了一个具有开创性的数据库，因为它包含抗生素耐药性的原始数据。该数据库名为ATLAS，由辉瑞管理，自2018年以来一直公开。由UC3M领导的工作组比较了来自70多个国家的60万患者的信息，并使用机器学习方法（一种人工智能技术）来提取阻力进化模式。

通过分析这些数据，研究团队发现，使用原始数据（MIC）时可以检测到阻力演变模式，但使用汇总数据无法检测到。一个明显的例子是病原体，其MIC随着时间的推移缓慢增加，但低于耐药性阈值。使用这些频率数据，我们无法说什么，因为电阻频率保持不变。然而，通过使用MIC数据，我们可以检测到这种情况并保持警惕。本文讨论了几个具有这些特征的临床相关案例。此外，我们是第一个深入描述该数据库的团队，Catalán说。

这项研究使设计抗生素治疗方法成为可能，这些治疗方法在控制感染和遏制导致许多临床问题的耐药性上升方面更有效。该研究作者总结道，该研究使用数学思想从650万个数据点中提取抗生素耐药性模式的新方法。