최근 Science에서 발표된 논문에 따르면 기계학습 모델을 통한 환자 맞춤형 항생제 처방이 재감염 및 항생제 내성을 최소화할 수 있는 가능성을 제시했다. 통상적으로 환자가 세균에 감염된 것으로 진단되면 의사는 항생제 감수성 검사를 실시하고, 그 결과를 바탕으로 적절한 항생제를 처방하지만 재발율이 높은 것으로 조사됐다.
재감염은 감염 세균의 변이에 의해 유발되는데, 감수성 일치 항생제를 올바르게 처방하면 전반적으로 재감염률이 감소한다. 하지만 감염 세균과 다른 균주에 의해 유발되는 내성 감염이 발생할 가능성도 높아져 감수성 일치에 따른 항생제 치료가 미생물군에 숨어있는 내성 균주의 활동을 유도할 수 있다는 것을 연구팀은 발견했다.
|
추천 알고리즘은 의사 감수성 일치 처방에 비해 요로 감염 및 상처 감염의 조기 내성 재발률을 거의 절반으로 줄일 것으로 예측된다. 수천 개의 훈련 샘플을 기반으로 구축된 통계 모델을 사용, 가용한 모든 환자 정보를 체계적으로 검토해 알고리즘은 미묘한 패턴을 식별하고 의사 결정을 지원한다. 부작용 등 항생제에 대한 위험 평가 및 연령 또는 내성 이력과 같은 각 환자 위험 요인에 대한 정량화된 프로파일도 검색 가능하다.
리포트는 “의료 및 건강관리를 위한 데이터 기반의 수요와 접근방법은 광범위한 공중보건 문제를 해결할 뿐만 아니라 새로운 데이터 수집 표준, 평가 지표 및 교육 패러다임을 도입하는 데 기회를 제공한다”며 “게놈 서열 분석을 기반으로 임상 정보와 의료기록을 통합해 대규모 데이터 세트 등 학제 간 융합 연구가 매우 중요하다”고 강조했다.