We moeten sneller weten op welk antibioticum een patiënt reageert, vinden onderzoekers van de UGent. MALDI-TOF, bioinformatica en machine learning vormen het antwoord. ‘We moeten heel veel meten en een enorme dataset aanleggen.’
‘Zodra een patiënt met een bacteriële infectie het ziekenhuis betreedt, wil de arts vooral weten met welk antibioticum hij die moet behandelen’, zegt Piet Cools, hoofdonderzoeker bij de vakgroep Diagnostische Wetenschappen van de Universiteit Gent. ‘De bacteriesoort zelf is minder relevant.’ Maar voordat bekend is welk antibioticum de infectie effectief te lijf kan gaan, zijn er soms wel drie dagen verstreken. Artsen gebruiken daarvoor namelijk een antibiogram om de juiste behandeling te bepalen. Dat is een betrouwbare methode waarmee je een bacterie-isolaat, een zuivere cultuur van een bacteriekolonie, blootstelt aan verschillende antibiotica om te zien welke daarvan de groei remmen.
Helaas is een antibiogram dus wel een langzame methode. Bovendien kijkt de arts slechts naar een beperkt aantal relevante antibiotica. ‘Daarom willen we toe naar een zelflerend systeem met gegevens van meerdere bacteriën en hun antibioticagevoeligheden, om zo vooraf te voorspellen wat de beste behandeling is voor de patiënt’, stelt Cools.
Als lid van de KNCV, KVCV, NBV, of NVBMB heeft u onbeperkt toegang tot deze site, u kunt hier inloggen.