《Discover Public Health》：Advancing antimicrobial stewardship in Africa through responsible artificial intelligence implementation
编辑推荐：
抗菌药物耐药性（Antimicrobial Resistance, AMR）持续对全球公共卫生构成严重威胁，而非洲医疗体系承担着不成比例的疾病负担。尽管抗菌药物管理项目（Antimicrobial Stewardship Programs, ASPs）已被推荐
抗菌药物耐药性（Antimicrobial Resistance, AMR）持续对全球公共卫生构成严重威胁，而非洲医疗体系承担着不成比例的疾病负担。尽管抗菌药物管理项目（Antimicrobial Stewardship Programs, ASPs）已被推荐为改善抗菌药物使用并延缓耐药性出现的重要策略，但非洲许多医疗体系在实施过程中仍面临多重挑战，包括劳动力短缺、实验室基础设施薄弱以及监测系统不完善。人工智能（Artificial Intelligence, AI）与机器学习（Machine Learning, ML）在通过临床决策支持、耐药性预测、自动化监测及从薄弱的卫生信息系统提取数据等方面，已展现出增强抗菌药物管理的巨大潜力。然而，AI在非洲抗菌药物管理中的应用仍处于早期阶段，大多数系统尚停留在试点或研究层面。本评论性文章探讨了当前的机遇，分析了影响实施的主要障碍，并提出了可能支持AI在非洲抗菌药物管理项目中可持续整合的相关建议。
论文解读：非洲抗菌药物管理领域人工智能应用的现状、挑战与推进路径
一、研究背景与问题提出
抗菌药物耐药性（Antimicrobial Resistance, AMR）已成为全球重大公共卫生紧急事件，其中撒哈拉以南非洲及资源有限地区的负担尤为突出。2019年，WHO非洲区域细菌性AMR相关死亡估计达105万例；仅西撒哈拉以南非洲地区，AMR直接导致的死亡率即为每10万人口27.3例。诊断延迟、经验性治疗及薄弱的监测体系持续加剧这一状况。WHO将抗菌药物管理项目（Antimicrobial Stewardship Programs, ASPs）视为应对AMR的重要策略，但撒哈拉以南非洲多数国家仍缺乏国家层面的管理项目，监管框架薄弱导致医疗与农业领域抗菌药物广泛滥用。此外，该区域在WHO全球抗菌药物耐药性与使用监测系统（GLASS）中的参与有限，2023年仅47个国家中的27个（57.4%）报告了AMR数据，进一步削弱了监测能力。在此背景下，亟需能够在有限专科人力和薄弱卫生信息系统条件下有效运作的解决方案。
二、研究内容与结论
本文献为评论性文章，旨在探讨人工智能（Artificial Intelligence, AI）与机器学习（Machine Learning, ML）在非洲抗菌药物管理（Antimicrobial Stewardship, AMS）中的应用机遇、实施障碍及可持续整合建议。研究人员通过检索PubMed、Scopus及Google Scholar数据库，采用包含“artificial intelligence”“machine learning”“antimicrobial stewardship”“antimicrobial resistance”“Africa”等关键词的组合策略，纳入2018至2026年间发表的同行评审文献及机构报告，形成叙述性非系统性综述。研究结论表明，AI在非洲AMS领域的应用仍处于早期阶段，多数系统停留在试点或研究层面；尽管AI在耐药预测、监测、诊断及临床决策支持方面展现出潜力，但缺乏前瞻性临床证据证明其能实际改善抗菌药物处方、患者结局或耐药模式。实现AI在非洲AMS中的可持续整合，需依赖本地数据基础设施完善、本地化模型开发、治理机制强化及跨学科协作。
三、关键技术方法概述
研究人员采用叙述性综述方法，基于2018至2026年间PubMed、Scopus和Google Scholar收录的同行评审文献及机构报告进行证据综合。研究未涉及具体实验操作，但引用的关键研究包括：基于全基因组测序数据的机器学习模型跨国外部验证（涉及乌干达、尼日利亚、坦桑尼亚的E. coli分离株，样本量最多170例）；肯尼亚全国结核病患病率调查中计算机辅助检测系统在近62,000张胸片上的评估；以及以色列、英国、德国等地的AI临床决策支持系统研究作为高收入环境基准参照。
四、研究结果分述
1. 非洲AI在抗菌药物管理中的当前地位
AI在非洲AMS中的应用尚处于萌芽阶段。Nsubuga等人（2024）利用英格兰全基因组测序数据训练的ML模型，在乌干达、尼日利亚和坦桑尼亚独立数据集上验证，结果显示对氨苄西林耐药预测准确率达94%，但对环丙沙星和头孢噻肟的最佳模型准确率仅为50%和45%，且非洲验证数据集存在显著类别不平衡。这表明高收入环境开发的模型在非洲人群中泛化表现不一致。Ayesiga等人（2025）综述了AI增强AMR生物监测的潜力，但指出数据稀缺、基础设施限制及伦理问题是主要障碍。在诊断领域，肯尼亚和赞比亚的结核病计算机辅助检测分别达到95%敏感度/83.3%特异度和AUC 0.81，但这些技术本身并非AI驱动的AMS干预。临床决策支持系统在非洲尚缺乏常规部署证据。此外，东非共同体约97%的细菌基因组组装数据在非洲大陆以外分析，凸显本地基因组能力建设的紧迫性。
2. AI在AMS中的机遇
AI在非洲AMS中具有多重机遇。临床决策支持方面，AI可分析实验室发现、生物标志物、患者病史及流行病学趋势，支持脓毒症早期识别、抗菌药物选择与剂量调整及处方合理性审查。以色列研究显示ML算法将尿路感染不适当治疗减少42%；英国随机研究显示AI决策支持系统显著影响静脉转口服抗生素切换决策（OR 0.13）。耐药预测方面，ML可利用常规信息在培养结果前预测耐药模式，但需本地数据集支撑。监测方面，80项研究的荟萃分析显示ML算法在管理场景中汇总准确率74.97%、敏感度76.89%。自然语言处理（Natural Language Processing, NLP）可从手写病历、出院摘要和药房日志等非结构化记录中提取临床信息，尤其适用于仍以纸质记录为主的非洲环境。此外，AI可支持院内暴发检测与传播映射，自动化聚类检测系统报告检出率33%至100%。
3. AI实施面临的挑战
主要障碍包括：数据质量与可用性不足——AMR数据分散、检测方法不一、记录不完整且时间跨度有限，电子健康记录系统覆盖不足，非洲病原体基因组数据在全球序列库中代表性低；数字基础设施薄弱——稳定互联网、互操作卫生信息系统、安全数据存储及计算资源不足，坦桑尼亚2018年调查显示96.4%生物信息学研究者依赖个人电脑分析；劳动力短缺——感染病专家、微生物学家、管理药剂师及AI专业人才匮乏，人才外流加剧；模型泛化性差——高收入国家训练的模型在非洲表现下降；监管框架不完善——算法透明度、临床决策问责及算法偏见问题未充分解决；财务可持续性差——AI系统开发维护成本高，多数项目止步于试点，且模型需随病原体与耐药模式演变定期再训练和校准。
五、讨论与结论总结
讨论部分强调，实现AI在非洲AMS中的大规模应用需采取反映本地医疗需求、资源约束和卫生系统优先事项的策略。关键建议包括：发展遵循FAIR原则的标准化AMR与抗菌药物使用（AMU）数据平台；扩大GLASS参与并提高监测报告质量；加强区域合作促进数据共享与外部验证；使用本地代表性数据集开发验证ML模型；将AI工具整合入现有临床工作流程并保留人类监督；开展跨学科培训；强化治理机制；非洲疾病控制与预防中心可在协调监管方法中发挥作用。政策制定者优先行动包括设立AMR监测数字化专项预算、强制公共资金采购实验室信息系统的最低互操作性标准、协商池化或补贴许可安排以降低单设施实施成本。
结论部分明确指出，若无AMS与医疗交付各利益相关方的协调行动，非洲AMR负担将进一步恶化。尽管AI在临床决策支持、耐药预测、监测和处方优化方面展现出令人鼓舞的临床效用，但该证据主要来自试点研究和高收入环境，常规采用前仍需前瞻性验证。非洲多数医疗体系中的实施仍有限，薄弱实验室基础设施、落后数字卫生系统、劳动力短缺、资金不足及本地数据集有限持续制约进展。然而，通过可持续和本地驱动的AI整合，非洲确实存在加强AMS的真实机遇。政府、医疗机构、研究组织和国际伙伴须协同改善监测系统、强化数字基础设施、支持劳动力培训并促进本地代表性数据集开发。这些AI技术应支持现有管理项目和国家AMR行动计划，同时反映非洲医疗体系现实。协调努力、充分投资和长期承诺对实现AI在非洲AMS中的潜力至关重要。
