Artificiell intelligens (AI) har hjälpt till att identifiera kunskaps-, metodologiska och kommunikationsluckor i forskning om global antimikrobiell resistens (AMR).
I en ny studie utförd av den kinesiska vetenskapsakademin och Newcastle University under gemensam ledning av professor Yong-Guan Zhu respektive professor David W. Graham, sammanställde experter en omfattande databas med 254 738 artiklar som spänner över två decennier, vilket kastar ljus över mönster av AMR-forskning över hela världen.
De fann att terminologin och metoderna som används i AMR-forskningen skiljer sig markant mellan de medicinska, veterinära, livsmedelssäkerhets-, växtodlings- och miljösektorerna. De semantiska och metodologiska skillnaderna resulterar i begränsat värderingsarbete mellan sektorer och begränsad tvärsektoriell kommunikation, vilket resulterar i inkonsekventa budskap till beslutsfattare.
Genom sofistikerad AI-baserad analys utvecklade teamet globala kartor som visar regionala, metodologiska och sektoriella AMR-forskningsaktiviteter. Resultaten bekräftar en stark brist på tvärvetenskapligt samarbete, särskilt i låginkomstländer, där bördan av att öka AMR är mest akut.
Publicerad i tidskriften Environment International , förklarar resultaten varför lösningar på AMR baserade på One Health inte utvecklas efter behov. Resultaten kan spela en avgörande roll för att ge vägledning om hur och var man bättre kan integrera AMR-övervakning över sektorer och regioner över hela världen.
Professor David W. Graham, emeritusprofessor i ingenjörsvetenskap vid Newcastle University, sa:"Fynden belyser det akuta behovet av ökad samordning av forskningsmetoder över sektorer och regioner. Till exempel behöver de medicinska och veterinära samhällena information om levande AMR-infektiösa patogener för att prioritera beslut, medan miljöforskare ofta fokuserar på genetiska mål. Vårt arbete visar att odling av mikrobiologi och isolatsekvensering och metagenomik måste utföras parallellt i allt framtida arbete, och mer kontextdata måste samlas in för att relatera resultat från olika sektorer.
"Vår artikels resultat stöder nyckelbudskap från FN:s miljöprogram och Världshälsoorganisationen som betonar att det bästa sättet att lindra AMR är genom förebyggande och integrerad övervakning, vilket är nyckeln till att prioritera lösningar."
Detta tas upp av FN:s fyrpartstekniska grupp för integrerad övervakning av antimikrobiell användning och resistens, där både prof Zhu och Graham är medlemmar.
Graham fortsatte, "Detta arbete var endast möjligt på grund av dess nya användning av artificiell intelligens och naturligt språkbehandling för att intelligent söka i en omfattande och levande databas, ett arkiv som vi gör öppet tillgängligt för allmänheten och för bidrag. Denna artikel representerar den första i en serie av gemensamma manuskript som utnyttjar AI för att vägleda framtida AMR och annan forskningsagenda."
Professor Yong-Guan Zhu, professor i miljövetenskap, kinesiska vetenskapsakademin, tillade:"Ramverket för One Health är av avgörande betydelse för att skydda människors och ekosystems hälsa, men det behöver färdplaner att implementera; denna studie identifierar i rätt tid [en] väg framåt Studien visar också att multidisciplinärt och internationellt samarbete är avgörande för att lösa globala utmaningar, och vi bör ta till oss nya teknologier, såsom AI."
Båda forskarna rekommenderar framtida forskning och ökade investeringar i kapacitetsutveckling, särskilt i låginkomstländer, för att möta de akuta AMR-utmaningarna i dessa regioner.
Mer information: Cai Chen et al, Karakteriserande global antimikrobiell resistensforskning förklarar varför One Health-lösningar är långsamma i utveckling:En tillämpning av AI-baserad gapanalys, Environment International (2024). DOI:10.1016/j.envint.2024.108680
Journalinformation: Environment International
Tillhandahålls av Newcastle University
