编者按：细菌耐药性已成为全球公共卫生的重大威胁，预计到2050年每年将导致1000万人死亡。面对日益严峻的耐药形势，传统经验性用药模式已难以满足临床需求，人工智能技术的快速发展为抗菌药物精准用药管理提供了新的解决方案。在“第四届抗微生物药物合理应用学术会议”上，浙江大学医学院附属第一医院姜赛平教授在主题报告中，系统阐述了AI在重症感染预警、病原菌识别与耐药性预测、抗菌药物个体化用药决策以及用药智能监测四大场景中的应用，为抗菌药物精准管理提供了创新思路和实践路径。

 

01.

抗菌药物不合理使用的严峻形势

 

细菌耐药性已成为全球公共卫生的重大威胁。若耐药趋势持续，预计到2050年每年将导致1000万人死亡，全球经济损失高达100万亿美元。我国关键病原体耐药情况同样严峻，鲍曼不动杆菌、肺炎克雷伯菌、大肠埃希菌及MRSA等耐药率均处于高位，严重威胁临床抗感染治疗。

 

图1. WHO2024最新细菌优先病原体预警清单（引自讲者会议幻灯）

 

世界卫生组织（WHO）将耐药病原体划分为三个优先级。碳青霉烯类药物耐药的肠杆菌科细菌、第三代头孢菌素耐药的肠杆菌科细菌、碳青霉烯类药物耐药的鲍曼不动杆菌以及利福平耐药的结核分枝杆菌被列为关键优先级。

 

在新型抗菌药物研发方面，传统抗菌药物临床开发阶段数量有限，而非传统抗菌药物（如噬菌体、抗毒素、单克隆抗体、微生物组调节剂等）正处于积极探索阶段，为应对耐药危机提供了新的希望。截至2025年，全球新型抗菌药物研发管线中，处于临床阶段的有90个，临床前阶段有232个。

 

02.

从经验用药走向AI驱动的抗菌药物精准用药

 

AI在抗菌药物精准用药中的应用基于三大技术支撑：机器学习、深度学习/大语言模型以及生物信息学。应用场景涵盖四大领域：AI+重症感染预警、AI+病原菌识别与耐药性预测、AI+抗菌药物个体化决策以及AI+抗菌药物使用监测。

 

AI+重症感染精准预警

 

（1）脓毒症血浆蛋白质组全景图与亚表型

 

一项脓毒症患者血浆蛋白组的大规模定量分析（1611例患者）中，应用高通量串联质谱技术绘制脓毒症血浆蛋白质组全景图，明确了脓毒症区别于健康状态、无菌性炎症的特征蛋白和通路，发现了与脓毒症病因相关的特定蛋白质。基于血浆蛋白质组，通过无监督聚类识别出三种脓毒症亚表型（SPC1、SPC2、SPC3），其中SPC1病情最重、死亡率最高，可应用于风险分层^[1]。

 

（2）基于机器学习和离心微流控技术的床旁脓毒症预测平台

 

一项研究利用586名疑似脓毒症患者的血液样本，结合机器学习和交叉验证，开发了一个包含6个基因表达标志物（称为Sepset）的免疫细胞重编程预测模型，用于预测患者在临床表现后24小时内病情恶化的风险^[2]。该模型在3178名患者的独立队列中进行了验证，预测准确率在ICU患者中约90%，在急诊室患者中约70%。

 

（3）CD38高表达单核细胞作为脓毒症潜在诊断生物标记物和治疗靶点

 

姜赛平教授团队发表于Advanced Science的一项研究发现，CD38单核细胞是脓毒症潜在诊断生物标记物和治疗靶点^[3]。通过单细胞转录组测序发现，与健康组、手术组、轻症组和脓毒症恢复组相比，脓毒症组CD38高表达单核细胞比例显著升高。采用质谱流式细胞技术（CyTOF）进一步证实了该发现。此外，CD38高表达单核细胞可用普通流式细胞术检测，具有区分脓毒症和非感染性全身炎症的作用。

 

（4）CD39低表达单核细胞预测脓毒症患者不良生存

 

姜赛平教授团队发表于Journal of Intensive Care的一项研究显示，脓毒症患者单核细胞CD39表达水平显著低于轻度感染组和术后组。诊断性能分析表明，单核细胞CD39可有效区分脓毒症与轻度感染（AUC=0.877）和非感染性炎症（AUC=0.935）。预后分析发现，低单核细胞CD39表达是短期生存的强预测因子，7天生存AUC为0.85（P=0.037）。Kaplan-Meier分析显示，单核细胞CD39低表达的脓毒症患者28天生存率显著更低（56.7%对比80.6%，P=0.016）^[4]。

 

（5）CD11c单核细胞在感染鉴别中的应用

 

姜赛平教授团队一项最新研究显示，CD11c单核细胞区分感染与非感染炎症的能力高于PCT、CRP与WBC，预测感染严重程度的能力低于PCT但高于CRP与WBC[5]。单变量Cox回归分析提示，单核细胞CD11c百分比、SOFA评分与APACHE II评分是脓毒症7天死亡率的危险因素；多变量Cox回归模型分析提示，单核细胞CD11c百分比和SOFA评分是脓毒症7天死亡率的独立危险因素。

 

AI+病原菌识别与耐药性预测

 

（1）AI在应对抗菌药物耐药性中的应用机遇

 

AI在应对抗菌药物耐药性方面的应用可整合三类数据源：临床数据（EHR）、基因组数据（WGS）以及质谱数据（MALDI-TOF MS）^[6]。

 

图2. AI在应对抗菌药物耐药性中的应用机遇（引自讲者会议幻灯）

 

（2）宿主微生物血浆宏基因组学用于脓毒症诊断

 

一项研究通过全血和血浆的RNA测序，发现脓毒症患者与非感染性全身炎症患者之间存在基因表达差异。利用血浆DNA宏基因组测序检测细菌性脓毒症病原体，与血培养相比，总体敏感性为83%，不同病原体差异较大。单纯血浆RNA测序对呼吸道病毒检出率低（8%），但通过宿主转录组特征构建的病毒性脓毒症分类器，可将敏感性提升至92%。通过整合宿主和微生物特征构建综合诊断模型，对微生物学确诊的脓毒症敏感性达99%，对非脓毒症组的特异性为78%^[7]。

 

（3）使用机器学习从临床MALDI-TOF质谱图中直接预测抗生素耐药性

 

一项研究构建了大型公开数据库DRlAMS，收集了超过30万张MALDI-TOF质谱图及对应的75万余个抗生素耐药表型数据，涵盖803种细菌和真菌病原体。采用逻辑回归、LightGBM和多层感知器（MLP）三种机器学习模型进行预测。结果显示：金黄色葡萄球菌甲氧西林耐药预测的AUROC达0.80，大肠杆菌头孢曲松耐药预测的AUROC达0.74，肺炎克雷伯菌头孢曲松耐药预测的AUROC达0.74^[8]。

 

（4）基于机器学习决策支持复杂性尿路感染的抗生素耐药性预测

 

一项研究利用电子健康记录数据，对复杂性尿路感染患者预测四种抗生素的耐药性。XGBoost模型表现最佳：对二线药物（环丙沙星、左氧氟沙星）的AUROC为0.800-0.814，对一线药物（呋喃妥因、复方新诺明）的AUROC为0.686-0.701[9]。关键预测因素包括：既往抗生素耐药史、抗生素暴露（尤其是氟喹诺酮类、头孢菌素类、青霉素类），以及合并症、长期护理院居住史、手术史、既往尿路感染史。

 

（5）基于高通量筛选铜绿假单胞菌耐药多粘菌素B增敏剂

 

姜赛平教授团队一项发表于International Journal of Antimicrobial Agents的研究，基于FDA批准的药物库对多黏菌素B耐药的铜绿假单胞菌P2550进行体外可用于逆转耐药性的抗生素佐剂筛选，最终在2511种药物中筛选出8类具有明显协同作用的药物。除治疗胃肠道疾病药物和治疗干眼症药物外，其他各类增敏剂单独使用时对铜绿假单胞菌P2550无明显抑菌效果。进一步研究显示，二乙基二硫代氨基甲酸钠（DDC）与多黏菌素B联合应用具有协同作用。

 

AI+抗菌药物个体化用药决策

 

（1）传统PK模型的瓶颈与AI破局

 

传统药代动力学（PK）模型存在三大瓶颈：结构固定、非线性处理不足，而AI/机器学习具有三大核心优势：整合多维数据、发现隐藏模式、提供实时预测^[10]。

 

（2）基于机器学习的万古霉素浓度-时间曲线预测模型

 

一项研究纳入北京协和医院ICU 401例接受万古霉素治疗的患者，评估了5种算法。结果显示，LightGBM表现最优，预测万古霉素清除率的平均绝对百分比误差为28.7%^[11]。在两个独立的ICU患者队列中，基于机器学习的模型均表现出显著更低的预测误差，在统计学上具有显著差异（P<0.001）。

 

（3）基于机器学习、多中心临床数据的抗生素药物相互作用预测

 

一项研究收集来自中国多家医院的2015–2023年间5173名住院患者的16,101条抗生素联合处方（联合用药定义为两种或以上抗生素在5个半衰期内同时或序贯使用）^[12]。共涉及55种抗生素，形成657种联合组合。根据处方频率和疗效，将组合分为三类：Class 1（不推荐）；Class 2（弱推荐）；Class 3（强烈推荐）。结果显示，强烈推荐组中，有29.2% 存在药物相互作用风险，弱推荐组25.0%，不推荐组43.5%。临床推荐等级越高，药物相互作用风险反而越低。

 

（4）基于机器学习实现个体化静脉转口服抗生素转换决策

 

一项研究使用两个公开的ICU数据库，共纳入10362次独立的ICU住院记录，提取10个常规临床参数，通过时间序列转换和遗传算法，最终得到短特征集（5个参数）和长特征集（37个参数）。采用前馈神经网络模型，输出每天是否适合从静脉转为口服抗生素。临床效果评估显示：转为口服后，抗生素指数平均下降23.04%（从8.25降至5.89），提示口服治疗更窄谱。

 

AI+抗菌药物使用智能监测

 

（1）抗生素耐药监测与预警——意大利“漏斗图”策略

 

意大利采用“漏斗图”策略进行抗生素耐药监测与预警。各地区实验室通过标准化协议向国家平台上报数据，系统定期自动计算全国平均率和各地区的控制限，生成年度监测报告中的漏斗图，直观地将异常值地区高亮显示，当新数据触发警报时自动通知管理人员^[14]。一旦某地区被标记为超出控制限，国家和地方卫生部门会协同启动调查。在采取干预措施后，继续通过后续的漏斗图监测该地区的耐药率是否回归到在控状态，评估干预措施的有效性。

 

（2）基于机器学习的头孢菌素过敏反应风险预测系统

 

研究团队融合中英文多源数据，构建了高质量、信息全面统一的融合数据库：包括2014年一季度至2023年二季度美国FEARS数据库中30263名患者，以及2021年4月至6月期间浙江省29家医院56155名患者。借助XGBoost模型，实现高维和稠密特征下的有效模型预测与预警。多阶段数据整合清洗后，结合专家标注；采用集成学习推理，XGBoost模型性能优于其他模型，准确率达0.87，精确率0.82，召回率0.96，特异性0.91，ROC-AUC为0.96。

 

表1. 基于机器学习的头孢菌素过敏反应风险预测系统

（引自讲者会议幻灯）

 

03.

总结

 

AI技术正在深刻改变抗菌药物管理的传统模式。从重症感染的早期预警、病原菌的快速识别与耐药性预测，到个体化用药决策和全流程智能监测，AI已展现出显著的临床应用价值。通过多组学数据整合、机器学习模型构建以及大语言模型的应用，抗菌药物精准用药管理正从理念走向实践。未来，随着AI技术的不断成熟和临床数据的持续积累，AI驱动的抗菌药物精准用药管理将为遏制细菌耐药、改善患者预后提供更强有力的支持。

 

参考文献

[1]. Sci Transl Med. IF: 14.6Q12024 Jun 5;16(750):eadh0185. doi: 10.1126/scitranslmed.adh0185. Epub 2024 Jun 5

[2]. Nat Commun. 2025 ;16(1):4442.

[3]. Adv Sci (Weinh). 2025 12(23):e2500457

[4]. J Intensive Care. IF: 4.7Q12025 Mar 10;13(1):12. doi: 10.1186/s40560-025-00784-0.

[5]. J Inflamm Res. 2026 :19:557223

[6]. Lancet Infectious Diseases, 2026, 26(3): e181-e192.

[7]. Nat Microbiol. 2022，(11):1805-1816.

[8]. Nature medicine, 2022, 28(1): 164-174.

[9]. npj Biofilms and Microbiomes, 2025, 11(1): 205.

[10]. Therapeutic drug monitoring, 2023, 45(2): 143-150.

[11]. Pharmacology Research & Perspectives, 2026, 14(2): e70235.

[12]. Int J Antimicrob Agents. 2024;63(5):107122

[13]. Nat Commun. 2024 Jan 13;15(1):506.

[14]. https://www.epicentro.iss.it/antibioticoresistenza/epidemiologia-italia

 

姜赛平

浙江大学医学院附属第一医院

医学博士，主任药师，博士生导师

浙江大学医学院附属第一医院药事管理科副主任，支部书记

浙江省551卫生高层次创新人才

中国药学会医院药学拔尖人才

浙江大学医学院临床拔尖青年人才(B类)，杭州市余杭区政协委员

兼任中国药师协会药物治疗管理工作委员会副主任委员、中国研究型医院药物评价委员会青年委员会主任委员、国家卫健委医院管理研究所“培英计划”专家委员会委员、浙江省药学会感染药学专委会主任委员、浙江省医学会临床药学分会常务委员、浙江省药学会围手术期药学专委会副主任委员、浙江省医院协会药事管理专委会委员、《中国现代应用药学》、《医药导报》杂志编委等。

主持国家自然科学基金项目4项，省自然科学基金重点项目2项，浙江省“尖兵”“领雁”项目子课题1项，在Nature communications(2）、Science advances 等国际知名期刊发表SCI 论文50余篇；以副主编或编委参与论著5 部，获得教育部自然科学二等奖、浙江省科技进步三等奖等科技成果奖4项。

 

来源：《感染医线》

 

声 明

凡署名原创的文章版权属《感染医线》所有，欢迎分享、转载（开白可后台留言）。本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。

0