Nature子刊：AI机器学习模型，精准狙击耐药菌！11月14日，发表在Nature Communications 上的一项新研究显示，科学家成功开发了一种机器学习模型，在检测耐药菌（产谈青霉烯酶肠杆菌）方面标出很高灵敏度。产碳青霉烯酶肠杆菌（CPE）是世卫组织列出的顶级致命耐药菌，2019年仅在欧洲就导致约3.5万人死亡。其检测是全球公共卫生的紧迫挑战。当前，标准的两步检测法（初筛+确认）虽能保证灵敏度，但特异性低，导致大量假阳性分离株进入耗时耗力的确认环节，尤其在面对OXA-48样酶等难检类型时，传统筛查方法效果不佳。为解决此瓶颈，研究人员成功研发了“碳探测器”：一种基于随机森林机器学习模型的新型检测工具。该模型通过分析8种抗生素的抑菌圈直径来预测碳青霉烯酶的产生，其训练数据基于385株经全基因组测序验证的临床肠杆菌分离株。验证结果令人振奋。在外部数据集上，CarbaDetector表现出优异性能：灵敏度达91.2%-96.6%，特异性高达84.4%-87.0%。与传统方法相比，优势显著。例如，应用EUCAST标准于训练集时，虽灵敏度达97.9%，但特异性极低，仅8.2%。而CarbaDetector在保持高灵敏度（96.6%）的同时，将特异性大幅提升至85.0%，这意味着需要进行确认试验的阴性分离株数量减少了六倍，极大地节约了实验室资源。尤为重要的是，即便在部分抗生素测试数据缺失的不完整数据集上，CarbaDetector依然保持稳健性能，展现了强大的实用性和临床适用潜力。该模型已部署为网络应用程序，能快速输出结果，显著缩短检测时间。CarbaDetector的成功开发，标志着AI在临床微生物学应用的重要突破。其高灵敏度与高特异性的平衡，不仅提升了检测效率，更有望优化抗生素使用管理，为遏制耐药菌传播、特别是在资源有限环境中改善CPE检测提供了强有力的创新工具。
