Kháng kháng sinh (AMR) là một trong những mối đe dọa sức khỏe cộng đồng toàn cầu cấp bách nhất của thế kỷ 21. Vi khuẩn, virus, nấm và ký sinh trùng theo thời gian không còn phản ứng với thuốc, khiến các bệnh nhiễm trùng thông thường trở nên khó điều trị hơn và làm tăng nguy cơ lây lan bệnh, bệnh nặng và tử vong. Trong số các mầm bệnh đáng lo ngại, Salmonella enterica, một loại vi khuẩn phổ biến gây ngộ độc thực phẩm, ngày càng cho thấy khả năng kháng đa thuốc (MDR), đặt ra những thách thức đáng kể cho cả sức khỏe con người và động vật.
Trước tình hình này, các nhà khoa học đang không ngừng tìm kiếm những công cụ mới để hiểu rõ hơn về cách thức vi khuẩn phát triển và lan truyền khả năng kháng thuốc. Một nghiên cứu đột phá gần đây được công bố trên tạp chí Preventive Veterinary Medicine bởi Abdolreza Mosaddegh và các đồng nghiệp tại Đại học Cornell đã khám phá tiềm năng của các phương pháp học máy mô tả để làm sáng tỏ các kiểu kháng đa thuốc phức tạp ở Salmonella enterica. Nghiên cứu này đặc biệt tập trung vào việc phân tích dữ liệu từ gia súc tại Hoa Kỳ, trước và sau khi các quy định về sử dụng kháng sinh trong nông nghiệp được thắt chặt vào năm 2012.
Bối Cảnh Vấn Đề: Salmonella, Kháng Kháng Sinh và Vai Trò Của Nông Nghiệp
Salmonella enterica là nguyên nhân gây ra hàng triệu ca bệnh tiêu chảy, hàng ngàn ca nhập viện và hàng trăm ca tử vong mỗi năm chỉ riêng tại Hoa Kỳ. Một số serotype (chủng) nhất định, như Salmonella Dublin, đặc biệt nguy hiểm vì chúng có xu hướng gây nhiễm trùng huyết và có tỷ lệ nhập viện, tử vong cao hơn. Đáng lo ngại, Salmonella Dublin thường xuyên biểu hiện tình trạng kháng đa thuốc, làm phức tạp thêm việc điều trị.
Việc sử dụng kháng sinh trong chăn nuôi, dù là để điều trị bệnh, phòng bệnh hay thúc đẩy tăng trưởng (một thực hành hiện đã bị hạn chế nhiều), được coi là một yếu tố chính thúc đẩy sự phát triển AMR. Khi vi khuẩn tiếp xúc với kháng sinh, những cá thể mang gen kháng thuốc sẽ sống sót và nhân lên, dẫn đến sự gia tăng của các chủng kháng thuốc trong quần thể vi khuẩn. Những chủng này sau đó có thể lây truyền từ động vật sang người qua chuỗi thực phẩm hoặc tiếp xúc trực tiếp.
Năm 2012, Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) đã thực hiện một bước đi quan trọng bằng cách cấm sử dụng ngoại nhãn (off-label use) một số loại cephalosporin trong chăn nuôi và thiết lập một khuôn khổ để tự nguyện chấm dứt việc sử dụng các loại kháng sinh quan trọng về mặt y tế cho mục đích thúc đẩy tăng trưởng. Mục tiêu là giảm áp lực chọn lọc kháng thuốc trong nông nghiệp. Nghiên cứu của Mosaddegh và cộng sự đã tìm cách đánh giá tác động của những thay đổi quy định này đối với các kiểu AMR ở Salmonella.
Tiếp Cận Vấn Đề Bằng “Trí Tuệ Nhân Tạo Mô Tả”
Thay vì sử dụng các mô hình học máy “hộp đen” (black-box) vốn chỉ tập trung vào dự đoán mà ít giải thích được cơ chế bên trong, nhóm nghiên cứu đã chọn các phương pháp “học máy mô tả”. Ưu điểm của cách tiếp cận này là khả năng cung cấp những hiểu biết sâu sắc, có thể diễn giải được về các mối quan hệ và cấu trúc tiềm ẩn trong dữ liệu AMR.
Các nhà khoa học đã phân tích dữ liệu từ Hệ thống Giám sát Kháng Kháng sinh Quốc gia (NARMS) của Hoa Kỳ, bao gồm 1177 chủng Salmonella phân lập từ gia súc trong hai giai đoạn: 2010-2011 (trước quy định) và 2012-2013 (sau quy định). Dữ liệu này chứa thông tin về mức độ nhạy cảm của vi khuẩn với 11 loại kháng sinh khác nhau. Ba kỹ thuật học máy mô tả chính đã được triển khai:
-
Khai thác Luật Kết Hợp (Association Rule Mining): Kỹ thuật này tìm kiếm các mối liên hệ thường xuyên xảy ra giữa các kiểu kháng thuốc. Ví dụ, một luật có thể là “Nếu một chủng Salmonella kháng với kháng sinh A, thì nó cũng có khả năng cao kháng với kháng sinh B”. Sức mạnh của các mối liên hệ này được đo lường bằng các chỉ số như “support” (hỗ trợ), “confidence” (tin cậy) và “lift” (nâng).
-
Phân Tích Mạng Lưới (Network Analysis): Phương pháp này xây dựng một “bản đồ” trực quan hóa các mối quan hệ giữa các serotype Salmonella và các loại kháng sinh mà chúng kháng. Các nút trong mạng đại diện cho serotype hoặc kháng sinh, và các cạnh (liên kết) cho thấy sự liên quan. Các phân tích như “mức độ trung tâm” (degree centrality – đo lường tầm quan trọng của một nút) và “phát hiện cộng đồng” (community detection – xác định các nhóm nút có kết nối chặt chẽ) giúp làm nổi bật các cấu trúc quan trọng.
-
Phân Cụm Thứ Bậc (Hierarchical Clustering): Kỹ thuật này nhóm các chủng Salmonella có hồ sơ kháng thuốc tương tự lại với nhau. Nó tạo ra một cấu trúc dạng cây, cho thấy các chủng hoặc cụm chủng nào giống nhau nhất và chúng khác biệt với các chủng khác như thế nào.
Những Phát Hiện Chính Từ “Thám Tử AI”
Việc kết hợp ba phương pháp học máy này đã mang lại một bức tranh đa chiều về tình hình AMR ở Salmonella:
-
Các Serotype Chủ Chốt và Đặc Điểm Kháng Thuốc: Nghiên cứu xác nhận Salmonella Montevideo, Dublin và Typhimurium là những serotype phổ biến nhất. Đáng chú ý, Salmonella Dublin có tỷ lệ kháng đa thuốc (MDR) cao nhất, nhấn mạnh mối đe dọa sức khỏe cộng đồng từ chủng này.
-
Tác Động Của Quy Định Năm 2012:
-
Luật Kết Hợp: Sau năm 2012, số lượng các luật kết hợp kháng thuốc có sự tham gia của serotype Dublin đã giảm. Điều này cho thấy các kiểu kháng thuốc của Dublin trở nên ít đặc trưng hơn, có xu hướng giống với các serotype khác hơn. Tuy nhiên, một điểm tích cực là tỷ lệ chủng Dublin kháng với sulfisoxazole và/hoặc tetracycline đã giảm đáng kể.
-
Phân Tích Mạng Lưới: Cấu trúc tổng thể của các “cộng đồng” kháng thuốc trong mạng lưới AMR vẫn khá ổn định trước và sau năm 2012. Tuy nhiên, đã có những thay đổi đáng chú ý bên trong các cộng đồng này. “Cộng đồng Dublin” (nhóm các kháng sinh liên kết chặt chẽ với serotype Dublin) đã “thu hút” thêm thành viên (các loại kháng sinh) sau năm 2012. Đã có sự dịch chuyển: ampicillin và chloramphenicol chuyển từ “cộng đồng Typhimurium” sang “cộng đồng Dublin”, trong khi tetracycline và trimethoprim-sulfamethoxazole lại di chuyển theo hướng ngược lại. Phân tích này cũng cho thấy sự tương đồng trong các kiểu kháng thuốc giữa Dublin và Typhimurium.
-
Phân Cụm Thứ Bậc: Trước năm 2012, serotype Dublin thể hiện một kiểu kháng thuốc rất đặc trưng, với hai cụm riêng biệt chứa phần lớn (hơn 90%) các chủng Dublin. Sau năm 2012, không có cụm nào chứa hơn 60% chủng Dublin, cho thấy các kiểu kháng thuốc của serotype này trở nên phân tán và ít đồng nhất hơn.
-
-
Sức Mạnh Của Sự Kết Hợp: Một trong những kết luận quan trọng nhất của nghiên cứu là mỗi phương pháp học máy mô tả cung cấp những hiểu biết độc đáo về một khía cạnh cụ thể của các kiểu kháng thuốc. Chỉ khi kết hợp chúng lại, các nhà khoa học mới có được một bức tranh toàn diện và sâu sắc hơn về động lực AMR.
Ý Nghĩa Của Nghiên Cứu và Hướng Đi Tương Lai
Công trình của Mosaddegh và cộng sự không chỉ cung cấp những hiểu biết giá trị về tình hình AMR ở Salmonella trên gia súc tại Hoa Kỳ mà còn chứng minh tiềm năng to lớn của các phương pháp học máy có thể diễn giải trong lĩnh vực y tế công cộng.
-
Hiểu Biết Sâu Sắc Hơn: Nghiên cứu giúp làm sáng tỏ cách các kiểu kháng thuốc thay đổi theo thời gian và phản ứng với các can thiệp chính sách. Việc xác định các serotype có nguy cơ cao và các kiểu kháng thuốc cụ thể có thể giúp định hướng các nỗ lực giám sát và kiểm soát.
-
Định Hướng Chính Sách: Mặc dù nghiên cứu này mang tính mô tả và không thể đưa ra kết luận nhân quả trực tiếp về tác động của quy định năm 2012, nó cung cấp những bằng chứng quan trọng có thể hỗ trợ các nhà hoạch định chính sách trong việc đánh giá hiệu quả của các biện pháp kiểm soát AMR.
-
Giá Trị Của AI Diễn Giải: Trong một lĩnh vực phức tạp như AMR, khả năng “nhìn vào bên trong” các mô hình AI và hiểu được lý do đằng sau các kết quả là vô cùng quý giá. Điều này giúp xây dựng niềm tin và cho phép các chuyên gia y tế đưa ra quyết định dựa trên bằng chứng vững chắc.
-
Tiếp Cận “Một Sức Khỏe” (One Health): Nghiên cứu này là một ví dụ điển hình của cách tiếp cận “Một Sức Khỏe”, thừa nhận mối liên hệ chặt chẽ giữa sức khỏe con người, sức khỏe động vật và môi trường. Việc giảm AMR trong nông nghiệp là một bước quan trọng để bảo vệ sức khỏe con người.
Các tác giả cũng chỉ ra một số hạn chế, bao gồm sự thiếu hụt siêu dữ liệu chi tiết hơn về các chủng vi khuẩn và việc nghiên cứu chỉ bao gồm dữ liệu đến năm 2013. Các phân tích trong tương lai với dữ liệu dài hạn hơn và nhiều thông tin hơn sẽ cần thiết để tiếp tục theo dõi xu hướng AMR và đánh giá đầy đủ tác động của các biện pháp can thiệp.
Lời Kết
Cuộc chiến chống lại siêu vi khuẩn kháng thuốc là một hành trình dài và đầy thách thức. Nghiên cứu này cho thấy trí tuệ nhân tạo, đặc biệt là các phương pháp học máy mô tả, có thể trở thành một đồng minh đắc lực, giúp chúng ta “giải mã” những bí mật phức tạp của AMR. Bằng cách hiểu rõ hơn về kẻ thù, chúng ta có thể phát triển các chiến lược hiệu quả hơn để bảo vệ sức khỏe cộng đồng và đảm bảo rằng các loại thuốc cứu người vẫn còn hiệu lực cho các thế hệ tương lai.
Tham khảo: Mosaddegh, A., Cobo Angel, C., Craig, M., Cummings, K. J., & Cazer, C. L. (2024). An exploration of descriptive machine learning approaches for antimicrobial resistance: Multidrug resistance patterns in Salmonella enterica. Preventive Veterinary Medicine, 230, 106261.
LOBI Vietnam là công ty tiên phong trong lĩnh vực Đọc trình tự gen thế hệ mới NGS (Next Generation Sequencing) và Phân tích Tin sinh học. Liên hệ hotline/Zalo 092.510.8899 để biết thêm chi tiết.
