Kemajuan Kecerdasan Buatan (AI) dengan Cepat Mengidentifikasi Typhoid yang Tahan terhadap Obat tanpa
AI breakthrough rapidly identifies drug-resistant typhoid without antibiotic exposure https://dailyai.com/2024/07/ai-breakthrough-rapidly-identifies-drug-resistant-typhoid-without-antibiotic-exposure/

Keterangan Gambar : Kemajuan Kecerdasan

Peneliti di Universitas Cambridge telah memanfaatkan kecerdasan buatan dalam melawan resistensi antibiotik. Tim penelitian, yang dipimpin oleh Profesor Stephen Baker, menciptakan alat pembelajaran mesin menggunakan hanya gambar mikroskopis untuk membedakan antara bakteri yang resisten terhadap ciprofloxacin (antibiotik umum) dan yang rentan terhadapnya.

Penelitian ini dapat secara dramatis mengurangi waktu yang diperlukan untuk mendiagnosis resistensi antibiotik, yang berpotensi mengubah cara kita mengobati infeksi berbahaya seperti demam tifoid. Studi ini, yang dipublikasikan di Nature Communications, berfokus pada Salmonella Typhimurium, bakteri yang menyebabkan penyakit gastrointestinal parah dan dapat menyebabkan penyakit invasif yang mengancam jiwa.

Salmonella adalah bakteri yang umumnya menginfeksi manusia melalui makanan yang terkontaminasi, dan beberapa strain telah mengembangkan resistensi antibiotik. Dr. Tuan-Anh Tran, seorang peneliti kunci dalam proyek ini, menjelaskan pendekatan tersebut dalam sebuah pos blog: "Keindahan model pembelajaran mesin adalah bahwa ia dapat mengidentifikasi bakteri resisten berdasarkan beberapa fitur halus pada gambar mikroskopis yang tidak dapat dideteksi oleh mata manusia."

Proses penelitian melibatkan beberapa langkah kunci:

1. Persiapan sampel bakteri: Tim menumbuhkan sampel S. Typhimurium dalam media nutrien cair, beberapa terpapar pada konsentrasi ciprofloxacin yang berbeda dan yang lain tidak.

2. Pemindaian gambar tinggi: Dengan menggunakan mikroskop canggih, para peneliti mengambil gambar detail bakteri pada beberapa titik waktu.

3. Analisis gambar: Perangkat lunak khusus mengekstraksi 65 fitur berbeda dari setiap sel bakteri, termasuk bentuk, ukuran, dan interaksi dengan zat pewarna fluoresen.

4. Pengembangan model pembelajaran mesin: Para peneliti memberikan data ini ke berbagai algoritma pembelajaran mesin, melatih mereka untuk mengenali pola yang terkait dengan resistensi antibiotik.

5. Seleksi fitur: Tim mengidentifikasi fitur paling penting untuk membedakan antara bakteri yang resisten dan yang rentan.

Hasil dari proses ini sangat mengesankan. Sistem kecerdasan buatan ini berhasil mengidentifikasi bakteri yang resisten terhadap antibiotik sekitar 87% dari waktu. Mungkin yang paling penting, para peneliti menemukan bahwa bakteri yang resisten dan rentan memiliki pola visual yang berbeda yang dapat dideteksi oleh kecerdasan buatan, bahkan ketika mereka belum terpapar antibiotik.

Metode saat ini biasanya memerlukan beberapa hari kultur bakteri dan pengujian terhadap berbagai antimikroba. Sebaliknya, metode baru berbasis kecerdasan buatan ini berpotensi memberikan hasil dalam hitungan jam. Di masa depan, tim peneliti bertujuan untuk memperluas pendekatan mereka ke sampel klinis yang lebih kompleks seperti darah atau urin dan mengujinya pada jenis bakteri dan antibiotik lainnya. Mereka juga sedang bekerja untuk membuat teknologi ini lebih mudah diakses oleh rumah sakit dan klinik di seluruh dunia.

Seiring resistensi antibiotik terus menjadi ancaman kesehatan global yang meningkat, pendekatan inovatif seperti teknik pemindaian berbasis kecerdasan buatan ini menawarkan harapan baru. Ini merupakan bagian dari tren lebih luas dari inovasi yang didorong oleh kecerdasan buatan dalam penelitian antibiotik. Di MIT, peneliti telah menggunakan model pembelajaran mendalam untuk menemukan kelas antibiotik yang benar-benar baru.

Dalam semangat yang sama, tim ilmuwan lain mengumumkan pada Mei tahun lalu bahwa mereka telah menggunakan kecerdasan buatan untuk mengidentifikasi antibiotik baru yang efektif melawan bakteri yang resisten terhadap obat. Kecerdasan buatan memungkinkan identifikasi infeksi yang resisten terhadap obat lebih cepat dan akurat, membuka jalan bagi pengobatan yang lebih efektif dan hasil yang lebih baik bagi pasien. Beberapa tahun mendatang akan menjadi krusial saat tim bekerja untuk menerjemahkan kesuksesan laboratorium mereka ke aplikasi klinis dunia nyata.