Application of artificial intelligence to the in silico assessment of antimicrobial resistance and risks to human and animal health presented by priority enteric bacterial pathogens

Rylan Steinkey,Victor Gannon,Chad Laing,Janice Moat,Athanasios Zovoilis

doi:10.14745/ccdr.v46i06a05f

Abstract

Application of artificial intelligence to the in silico assessment of antimicrobial resistance and risks to human and animal health presented by priority enteric bacterial pathogens

Highlights

Chaque année, environ un Canadien sur huit sera touché par une maladie d’origine alimentaire, ce qui se traduira par une moyenne de 11 600 hospitalisations et 238 décès dans l’ensemble du pays [1]
Les méthodes de dilution impliquent des cultures liquides dans la dilution en série de chaque antimicrobien, où la croissance de l’organisme est utilisée pour déterminer la concentration minimale inhibitrice (CMI) [3,4]
Bien que des classifications plus larges, comme susceptibles, intermédiaires et résistantes, soient courantes pour les diagnostics de laboratoire et utiles pour établir des lignes directrices de traitement pour une infection bactérienne, les critères de base de ces catégories sont établis par des comités, avec une certaine disparité entre les régions

Summary

Introduction

Environ un Canadien sur huit sera touché par une maladie d’origine alimentaire, ce qui se traduira par une moyenne de 11 600 hospitalisations et 238 décès dans l’ensemble du pays [1]. Nous avons formé trois modèles d’AA sur les données de SGC pour prédire les niveaux de résistance à 13 antimicrobiens dans les isolats de la S. enterica et pour classifier les souches d’E. coli produisant la BLSE comme susceptible, intermédiaires ou résistantes à sept antimicrobiens. Afin de limiter la sélection des caractéristiques à celles qui sont le plus associées au phénotype examiné, nous avons utilisé une analyse de la variance de la valeur F, ce qui nous a permis de maintenir les 1 000 k-mers les plus associés à chaque agent antimicrobien avant la formation au modèle. Comme le montre la figure 1, les CMI ont été prédits dans une dilution avec une précision de 97,88 % (±1,13) en utilisant XGBoost, 97,48 % (±1,20) en utilisant des machines à vecteurs de support et 97,16 % (±1,48) en utilisant des réseaux neuronaux artificiels. La précision moyenne des modèles dans les sept antimicrobiens était de 89,18 % (±5,44) pour XGBoost, 89,25 % (±4,43) pour les machines à vecteurs de support et 89,18 % (±5,20) pour les réseaux neuronaux artificiels (figure 2)

Discussion

Conclusion

Déclaration des auteurs