人工智能赋能“同一健康”：应对抗菌素耐药性的新机遇与挑战

《One Health Outlook》：Leveraging artificial intelligence for One Health: opportunities and challenges in tackling antimicrobial resistance - scoping review

本刊编辑推荐：为应对抗菌素耐药性（AMR）这一全球健康挑战，研究人员开展了关于人工智能（AI）在“同一健康”（One Health）框架内应用机遇与挑战的范围综述。研究发现AI能够通过快速识别耐药病原体、整合多源数据和优化抗生素管理等方式显著提升AMR防控能力，但同时也面临数据标准化、模型可解释性等挑战。该研究为跨部门协作的AMR防控策略提供了重要理论支撑。

　　

当超级细菌的威胁日益加剧，传统抗生素逐渐失效的今天，全球卫生系统正面临前所未有的挑战。据预测，若不采取有效措施，到2050年抗菌素耐药性（AMR）每年将导致1000万人死亡。这一危机的根源在于人类、动物和环境领域抗菌药物的滥用，使得耐药病原体加速进化与传播。面对这一复杂难题，传统的单一领域防控策略显得力不从心，而"同一健康"（One Health）框架正是通过整合人类健康、动物健康和环境健康三大领域来应对AMR的综合性解决方案。

在这一背景下，人工智能技术的快速发展为AMR防控带来了新的希望。近期发表在《One Health Outlook》上的研究《Leveraging artificial intelligence for One Health: opportunities and challenges in tackling antimicrobial resistance》对AI在AMR防控中的应用进行了系统评估。该研究由Gashaw Enbiyale Kasse领衔的研究团队完成，通过范围综述的方法，深入分析了AI技术在"同一健康"框架下应对AMR的机遇与挑战。

研究方法概述

本研究严格遵循PRISMA-ScR指南，系统检索了PubMed、Embase、Scopus、Web of Science等数据库，同时进行了引文检索和Google Scholar搜索。共识别出543项研究，经过去重和筛选后，最终纳入43项研究进行分析。研究团队使用预先设计的数据提取表系统收集数据，并通过归纳方法对AI在AMR防控中的机会和挑战进行了主题分析。

主要研究结果

AI在AMR防控中的关键机遇

研究发现AI在AMR防控中展现出八大核心机遇。在病原体识别方面，AI技术能够通过分析大规模基因组、临床和实验室数据，快速精准地识别耐药病原体。例如，机器学习（ML）模型可以比传统方法更快地检测耐药模式，而深度学习（DL）模型如卷积神经网络（CNN）能通过分析全基因组序列或宏基因组读数，通过检测单核苷酸多态性（SNP）和耐药相关遗传元件来对细菌菌株进行耐药或敏感分类。

在临床数据分析领域，AI技术能够从大规模电子健康记录（EHR）和患者数据集中提取有意义的模式，更准确地识别感染源、耐药趋势和患者风险特征。特别是在资源有限地区，基于智能手机的AI诊断工具显著提高了抗菌药物敏感性试验（AST）的可及性。

监测预警系统是AI技术发挥重要作用的另一个领域。AI驱动的生物监测系统能够实时整合分析人类、动物和环境健康领域的跨部门数据，提供早期预警、暴发预测和AMR趋势的有效监测。机器学习（ML）和深度学习（DL）已被用于绘制耐药传播途径，通过将废水AMR谱与人类和动物来源联系起来，作为高风险社区的靶向干预早期预警系统。

数据整合方面，AI技术促进了包括基因组序列、临床记录、环境样本、抗菌药物使用情况以及人类健康、兽医、农业和环境来源的流行病学数据在内的异构数据的聚合与协调。研究表明，AI能够将这些多样化数据集整合到统一平台中，支持可扩展的数据存储、处理和实时分析，促进跨部门的"同一健康"方法。

在药物研发领域，AI技术显著加速了新型抗菌药物的发现和现有药物的再利用。机器学习（ML）模型可以高效筛选化学库，预测构效关系，指导分子设计，减少开发时间和成本。深度学习方法在分析大规模化学数据库识别潜在抗生素方面表现出强大能力，为可持续的药物研发管道提供支持。

抗生素管理和临床决策支持是AI技术产生重要影响的另一个维度。AI驱动的临床决策支持系统（CDSS）能够帮助临床医生选择合适的抗生素，预测治疗效果，并为个体患者量身定制治疗方案。通过整合患者数据、生物标志物和局部耐药模式，AI模型可以指导个体化治疗，减少不必要的抗生素使用，最终支持更有效的管理计划并改善患者结局。

在资源分配方面，AI技术通过识别高风险人群和环境，支持靶向干预，持续评估管理和感染控制措施的有效性，优化了医疗和农业资源的配置。AI驱动的洞察使医疗系统、环境和农业利益相关者能够通过精确定位最需要干预的时间和地点来更有效地分配资源。

最后，在政策支持层面，AI技术通过实现对大型多样化数据集的实时分析、预测耐药趋势、指导靶向干预和优化资源配置，支持基于证据的AMR政策和公共卫生决策制定，增强了"同一健康"各部门公共卫生反应的有效性和适应性。

AI应用面临的主要挑战

研究同时揭示了AI在AMR防控中面临的六大挑战。数据质量方面，AI模型面临数据异构性、不平衡或不完整数据等主要障碍，这些因素破坏了预测算法的可靠性和普适性。缺乏标准化、高质量数据是开发可扩展、可靠的AMR监测AI系统的主要障碍。

模型可解释性成为另一个重要挑战。高级AI模型特别是深度学习的"黑箱"特性使得临床医生和利益相关者难以解释预测结果，削弱了信任并阻碍了在临床实践中的采用。缺乏模型透明度和可解释性也是监管批准和实际整合的重要障碍。

资源能力差距同样不容忽视。有限的数字基础设施和训练有素的人员短缺，特别是在资源有限地区，是基于AI的AMR解决方案广泛采用和可持续性的主要障碍。高实施成本、先进的数字基础设施和训练有素的人员要求，在发展中国家往往缺乏，限制了AI技术的普及应用。

伦理法律问题方面，数据隐私、伦理使用和知情同意等问题引发关注，特别是在处理敏感患者和基因组数据时。不明确的监管框架和算法偏见的风险进一步复杂化了AI技术的伦理部署。确保健康数据的机密性和完整性同时将其用于AI应用需要强大的数据保护措施，这些措施实施起来复杂且成本高昂。

模型性能方面，虽然AI模型在受控或内部数据集上可以达到高精度，但由于过拟合、概念漂移和缺乏多样化训练数据，当应用于外部或不同数据集时，其预测性能通常会下降。这种有限的普适性限制了AI驱动的AMR工具在不同人群和医疗环境中的临床和流行病学效用。

验证实施环节存在明显不足。大多数AMR的AI模型缺乏稳健的临床验证和实际测试，很少有模型在回顾性或实验室环境之外进行评估，这限制了它们对患者护理和抗菌药物管理的影响。需要实用的临床试验和实际证据来证明AI驱动的AMR干预措施在实践中的有效性和安全性。

研究结论与展望

这项研究系统阐述了AI在"同一健康"框架下应对AMR的巨大潜力与现实挑战。AI技术不仅能够革新AMR的监测、诊断和管理方式，还能促进跨部门协作，为全球AMR防控提供全新解决方案。然而，要充分实现这些益处，需要投资于可解释AI（XAI）、更好的数据基础设施、更强的跨部门协作以及明确的监管框架。

未来研究应优先发展跨部门AI模型，整合人类、动物和环境数据，真正体现"同一健康"理念。同时，需要建立标准化数据格式、统一协议和互操作平台，促进跨部门和区域的无缝数据整合。解决数据隐私、知情同意、算法透明度和责任等伦理法律问题也至关重要。

发展可解释AI（XAI）模型对于确保AMR应用的透明度、可解释性和不同部门利益相关者之间的信任至关重要。与"黑箱"模型不同，XAI提供了预测或建议如何做出的清晰洞察，使用户能够理解AI驱动决策背后的原理，这对于临床采用、监管批准和伦理问责至关重要。

能力建设是另一个关键方向。要释放AI在AMR监测和管理中的全部潜力，必须发展涵盖环境健康、兽医医学和公共卫生的跨学科专业知识。加强这些领域的能力对于目前限制AI技术有效实施的技术人员有限的中低收入国家（LMIC）尤为重要。

这项研究为政策制定者、研究人员和医疗从业者提供了重要参考，强调了在推进AI技术应用的同时，必须关注技术可行性、伦理合理性和实施可持续性之间的平衡。通过跨学科合作和持续创新，AI技术有望在应对全球AMR挑战中发挥关键作用，最终实现"同一健康"愿景下更有效的AMR防控策略。