L’antibiotico-resistenza è ormai considerata una delle principali emergenze sanitarie globali. In Europa, e in particolare in Italia, il fenomeno ha raggiunto livelli allarmanti: infezioni sempre più difficili da trattare, ricoveri più lunghi, aumento della mortalità e costi sanitari in crescita. In questo contesto, ogni innovazione capace di migliorare l’appropriatezza terapeutica diventa strategica, soprattutto per farmacisti e professionisti coinvolti nella gestione del farmaco antimicrobico.
Una risposta concreta potrebbe arrivare dall’intelligenza artificiale. Un gruppo di ricercatori italiani coordinato dall’Idi Irccs di Roma ha sviluppato infatti un modello di machine learning in grado di creare un vero e proprio “antibiogramma digitale”, capace di prevedere con largo anticipo la sensibilità di un batterio agli antibiotici. Lo studio, pubblicato sull’International Journal of Infectious Diseases, rappresenta uno dei più interessanti esempi di applicazione della medicina di precisione nella lotta contro l’antimicrobico-resistenza.
Un problema che richiede rapidità
Uno dei limiti più critici nella gestione delle infezioni batteriche, infatti, riguarda i tempi necessari per ottenere un antibiogramma tradizionale. Le metodiche microbiologiche standard richiedono spesso fino a 48 ore per identificare il profilo completo di sensibilità del microrganismo agli antibiotici. Nel frattempo, però, il clinico deve iniziare una terapia empirica, spesso ricorrendo ad antibiotici ad ampio spettro. Una scelta inevitabile, ma che può contribuire a selezionare nuovi ceppi resistenti, alimentando ulteriormente il problema.
Proprio su questo punto interviene il nuovo modello italiano: grazie all’analisi avanzata dei dati clinici e microbiologici, l’intelligenza artificiale riesce a prevedere la risposta agli antibiotici con almeno due giorni di anticipo rispetto ai sistemi tradizionali.
La ricerca ha analizzato 15.581 isolati batterici provenienti da quasi 10 mila pazienti seguiti tra il 2018 e il 2024 in due ospedali italiani. I ricercatori hanno utilizzato dati già presenti nella pratica ospedaliera quotidiana -cartelle cliniche, dati microbiologici e informazioni terapeutiche- addestrando diversi algoritmi di machine learning.
Tra i modelli testati, il più performante è risultato XGBoost, algoritmo particolarmente efficace nell’analisi predittiva. Le performance ottenute sono state notevoli: accuratezza superiore al 90% nella previsione della suscettibilità agli antibiotici, sia nei batteri Gram-positivi, sia nei Gram-negativi. I risultati migliori sono stati osservati in alcune delle specie batteriche più problematiche nella pratica clinica quotidiana:
- Escherichia coli
- Klebsiella pneumoniae
- Pseudomonas aeruginosa
- Staphylococcus aureus
- Proteus mirabilis
- Enterococcus faecalis.
Si tratta di patogeni frequentemente associati a infezioni ospedaliere e responsabili di numerosi casi di antibiotico-resistenza.
Impatto clinico e ruolo del farmacista
L’aspetto forse più interessante riguarda le potenziali ricadute cliniche e organizzative. Ridurre il tempo necessario per individuare la terapia appropriata significa, infatti, migliorare gli esiti dei pazienti, soprattutto nei soggetti fragili o critici. Secondo gli autori dello studio, un utilizzo diffuso di questi sistemi potrebbe contribuire a:
- ridurre la mortalità associata alle infezioni severe;
- abbreviare la durata delle ospedalizzazioni;
- limitare l’impiego improprio di antibiotici ad ampio spettro;
- diminuire i costi sanitari;
- contrastare la diffusione delle resistenze batteriche.
È evidente come in questo scenario il farmacista ospedaliero possa assumere un ruolo ancora più centrale. La disponibilità di strumenti predittivi basati sull’IA potrebbe, infatti, rafforzare le attività di antimicrobial stewardship, migliorando monitoraggio, appropriatezza prescrittiva e personalizzazione della terapia. Anche il farmacista territoriale, sempre più coinvolto nell’educazione sanitaria e nell’uso corretto degli antibiotici, potrebbe trarre beneficio da un approccio che punta a ridurre l’abuso di antimicrobici e a promuovere terapie mirate.
Arrivare a una terapia antimicrobica di precisione
Gli stessi ricercatori sottolineano però che l’intelligenza artificiale non deve essere interpretata come un sostituto del clinico. Il modello costituisce piuttosto uno strumento di supporto decisionale, capace di integrare l’esperienza del medico e le valutazioni microbiologiche tradizionali. Inoltre, sono necessarie ulteriori validazioni multicentriche su popolazioni più ampie ed eterogenee, con l’obiettivo di sviluppare sistemi sempre più affidabili e integrati nella pratica clinica quotidiana.
La prospettiva più interessante è probabilmente quella delineata dai ricercatori: combinare microbiologia in tempo reale, big data e intelligenza artificiale per arrivare a una vera terapia antimicrobica di precisione. In un Paese come l’Italia, tra i più colpiti in Europa dall’antibiotico-resistenza, tecnologie di questo tipo potrebbero rappresentare un passaggio decisivo. Non una soluzione miracolosa, ma uno strumento concreto per rendere più rapida, efficace e sostenibile la gestione delle infezioni batteriche.
