Projektleiter IBKF:
Projektleiter IBKF: Dr. rer. medic. Raphael Koch

Beteiligte Wissenschaftler:
Dr. rer. nat. Dominic Enders
Univ. Prof. Dr. Frieder Schaumburg
Univ. Prof. Dr. Julian Varghese

Finanzierung: DFG (Projektnummer 544920804)

Sie gelten als die „stille Pandemie“ des 21. Jahrhunderts: Antibiotika-Resistenzen. Eine Bedrohung, die global jährlich bis zu fünf Millionen Menschenleben fordert – und daher auch in Zeiten von Kriegen und anderen globalen Krisen nicht aus dem Blick geraten sollte. Dr. Raphael Koch, Prof. Julian Varghese und Prof. Frieder Schaumburg von der Universität Münster haben vor diesem Hintergrund ein interdisziplinäres Forschungsprojekt initiiert: Mit Hilfe von künstlicher Intelligenz (KI) soll die Prognose und Bekämpfung von Antibiotika-Resistenzen verbessert werden. Die Deutsche Forschungsgemeinschaft (DFG) fördert das Vorhaben für drei Jahre mit ca. 750.000 Euro.

Ein zentrales Problem bei der Antibiotika-Resistenz ist die langsame Diagnostik in mikrobiologiscRen Laboren. Die Forscher wollen deshalb mit Hilfe bereits vorhandener Daten Prognosen ermöglichen, welche Antibiotika wirksam sein werden, noch bevor die Laborergebnisse vorliegen. Dabei werden verschiedene Daten in den Blick genommen: Massenspektrometrie-Profile von Proteinen, Informationen über Vorerkrankungen, Reiseverhalten der Erkrankten oder Umweltfaktoren wie Wohnort und Jahreszeit. Damit die KI Resistenzen zuverlässig erkennt, kommen Methoden des maschinellen Lernens (ML) zum Einsatz: Der Algorithmus wird mit Daten über minimale Hemmkonzentrationen verschiedener Erreger trainiert, um auf Grundlage dieser Angaben Vorhersagen für die Hemmkonzentrationen neuer Erreger treffen zu können. Dazu werden verschiedene Machine Learning Algorithmen in  entsprechenden Pipelines untersucht, unter anderem Random Forests, Support Vector Machines, Boosting Methoden und komplexere Deep Learning Modelle. Dies beinhaltet Hyperparameter Tuning in verschiedenen Settings und die Interpretation der Modelle. Dabei werden die bestehenden Methoden weiterentwickelt, um KI-Architekturen für die speziellen Anforderungen der komplexen Datenstruktur zu designen.

Sobald für jede Kombination aus Erreger und Antibiotikum ein ML-Modell erstellt ist, soll getestet werden, ob dieses Modell auch im klinischen Alltag die Verschreibung von Antibiotika optimieren und so Resistenzen minimieren kann. Ein wichtiges Werkzeug für die Eindämmung von Antibiotikaresistenzen ist die schnelle Testung von Bakterien, da dadurch unwirksame Antibiotika-Therapien früher gestoppt und effektive Medikamente schneller verabreicht werden können.

Da Resistenzen oft regional variieren, arbeitet das Team, das die Kompetenzen dreier münsterscher Institute vereint – Institut für Biometrie und Klinische Forschung, Institut für Medizinische Informatik und Institut für Medizinische Mikrobiologie -, auch mit der Universität Greifswald zusammen. So lässt sich überprüfen, ob die Ergebnisse auf andere geografische Regionen übertragbar sind. Die Hoffnung ist, dass die Ergebnisse und Erkenntnisse mittelfristig in die Routinediagnostik überführt werden können.