Según informó este miércoles la UC3M, este estudio, publicado en la revista científica ‘Nature Communications’, ha sido realizado junto con la Universidad de Exeter, la Universidad de Birmingham (ambas de Reino Unido) y el Hospital Westmead de Sydney (Australia).

En entornos clínicos, para observar la resistencia de un patógeno bacteriano a un antibiótico se utiliza una medida denominada MIC (Minimum Inhibitory Concentration), que es la concentración mínima de antibiótico capaz de inhibir el crecimiento de la bacteria. Cuanto mayor es el MIC de una bacteria frente a un antibiótico, mayor es su resistencia.

El grupo de trabajo liderado por la UC3M contrastó la información de 600.000 pacientes de más de 70 países y utilizó métodos de 'machine learning' (un tipo de técnica de inteligencia artificial) para extraer patrones de evolución de resistencia.

Analizando estos datos, el equipo investigador descubrió la existencia de patrones de evolución de resistencia que pueden detectarse si se usan los datos en bruto (MIC), pero que son indetectables usando los datos agregados. “Un ejemplo claro de esto es un patógeno cuyo MIC esté aumentando lentamente en el tiempo, pero por debajo del umbral de resistencia”, apuntó el profesor e investigador del Departamento de Matemáticas de la UC3M y autor del estudio, Pablo Catalán.

De hecho, añadió, “usando los datos de frecuencia no podríamos decir nada, ya que la frecuencia de resistencia permanece constante. Sin embargo, usando los datos MIC podemos detectar ese caso y ponernos en alerta”.

Este estudio permite diseñar tratamientos de antibióticos que sean más efectivos para controlar las infecciones y frenar el auge de la resistencia que genera muchos problemas clínicos. “La investigación utiliza ideas matemáticas para encontrar nuevas formas de extraer patrones de resistencia a los antibióticos a partir de 6,5 millones de puntos de datos”, concluyó el autor de la investigación.