ANTIBIOGRAMMA DIGITALE: UNO STUDIO ITALIANO HA SVILUPPATO UN MODELLO DI MACHINE LEARNING CAPACE DI PREVEDERE LA SENSIBILITÀ DEI BATTERI AGLI ANTIBIOTICI CON UN’ACCURATEZZA SUPERIORE AL 90%. IL SISTEMA UTILIZZA DATI CLINICI E MICROBIOLOGICI GIÀ PRESENTI NEGLI OSPEDALI E PUÒ FORNIRE UNA STIMA ALMENO 48 ORE PRIMA DELL’ANTIBIOGRAMMA TRADIZIONALE. NON SOSTITUISCE IL TEST DI LABORATORIO NÉ LA DECISIONE DEL MEDICO, MA POTREBBE AIUTARE A INIZIARE PRIMA UNA TERAPIA PIÙ MIRATA.
Scegliere rapidamente l’antibiotico corretto può cambiare il decorso di un’infezione grave. Tuttavia, il medico deve spesso iniziare la terapia prima che il laboratorio abbia completato l’identificazione del batterio e il relativo antibiogramma.
Un gruppo di ricerca italiano ha sviluppato un possibile strumento di supporto per ridurre questa attesa. Il sistema, definito “antibiogramma digitale”, utilizza algoritmi di machine learning per stimare quali antibiotici abbiano maggiori probabilità di essere efficaci nel singolo paziente.
Lo studio ha coinvolto quasi 10.000 persone e oltre 15.000 isolati batterici raccolti in due ospedali italiani. I risultati suggeriscono che informazioni già disponibili nelle cartelle cliniche possano essere utilizzate per orientare prima la terapia. Tuttavia, il modello deve ancora essere confermato in ospedali e popolazioni differenti. (Idi)
Che cos’è l’antibiogramma digitale
Indice dei contenuti
L’antibiogramma digitale non è un nuovo esame eseguito direttamente sul batterio. È un sistema predittivo basato sull’analisi automatizzata dei dati.
L’algoritmo combina informazioni cliniche, microbiologiche e anamnestiche. Quindi calcola la probabilità che il microrganismo responsabile dell’infezione sia sensibile o resistente ai diversi antibiotici.
Il risultato può essere restituito sotto forma di previsione personalizzata. Il medico riceve così un’indicazione precoce sui farmaci potenzialmente più adatti.
Il termine richiama l’antibiogramma tradizionale, ma i due strumenti svolgono funzioni diverse. Quello classico misura in laboratorio il comportamento reale del batterio isolato dal paziente. Il modello digitale produce invece una stima basata su casi precedenti e sulle caratteristiche disponibili.
Pertanto, l’algoritmo non certifica la sensibilità batterica. Anticipa una probabilità che dovrà essere confermata dal laboratorio.
Questa differenza è centrale. Un sistema predittivo può aiutare nelle prime ore, ma non elimina la necessità di colture, identificazione microbiologica e test di sensibilità.
Come funziona l’antibiogramma tradizionale
L’antibiogramma valuta se un batterio è sensibile a uno o più antibiotici.
Dopo aver raccolto un campione, il laboratorio cerca di isolare il microrganismo responsabile. Il materiale può provenire, per esempio, da sangue, urine, secrezioni respiratorie o ferite.
Una volta cresciuto, il batterio viene esposto a diversi farmaci. Il laboratorio osserva quindi se l’antibiotico ne blocca lo sviluppo e a quale concentrazione.
EUCAST, il Comitato europeo per i test di sensibilità antimicrobica, definisce metodi e criteri interpretativi utilizzati per classificare i microrganismi. Le categorie principali indicano sensibilità, sensibilità con maggiore esposizione oppure resistenza. (EUCAST)
Il test fornisce un dato fondamentale per scegliere una terapia mirata. Tuttavia, richiede tempo perché il batterio deve essere prima coltivato e identificato.
In alcune infezioni possono trascorrere uno o più giorni prima di ottenere il quadro completo. Nel frattempo, il medico deve decidere se iniziare una terapia empirica.
Antibiogramma digitale: perché il tempo è decisivo nelle infezioni gravi
Nelle infezioni lievi, attendere alcune ore può non modificare in modo sostanziale la prognosi. In condizioni critiche, invece, ogni ritardo può diventare rilevante.
Sepsi e shock settico possono evolvere rapidamente. Il paziente può sviluppare insufficienza respiratoria, alterazioni circolatorie e danni a più organi.
In queste situazioni è necessario iniziare presto un trattamento efficace. Tuttavia, il farmaco scelto inizialmente può non coprire il batterio responsabile.
Per ridurre questo rischio, i medici utilizzano spesso antibiotici ad ampio spettro. Questi farmaci colpiscono un numero elevato di specie batteriche, ma esercitano anche una maggiore pressione selettiva.
Quando arriva l’antibiogramma, la terapia può essere modificata. Se il microrganismo è sensibile a un farmaco più specifico, il trattamento viene ristretto.
Un sistema predittivo affidabile potrebbe anticipare questa scelta. Di conseguenza, il paziente potrebbe ricevere prima l’antibiotico con la maggiore probabilità di successo.
Antibiogramma digitale: come è stato condotto lo studio italiano
La ricerca è stata coordinata dall’IDI-IRCCS di Roma. Hanno collaborato l’Università di Salerno, il Consiglio nazionale delle ricerche, l’Istituto Superiore di Sanità, l’Università degli Studi Link e altri partner.
Gli studiosi hanno analizzato 15.581 isolati batterici. I campioni provenivano da 9.966 pazienti assistiti tra il 2018 e il 2024 in due ospedali italiani.
Il lavoro ha utilizzato dati già raccolti nella normale attività sanitaria. Non sono stati quindi necessari esami sperimentali complessi o informazioni genetiche disponibili solo in centri altamente specializzati.
Gli algoritmi hanno esaminato caratteristiche del paziente, storia clinica e risultati microbiologici. Successivamente, hanno cercato associazioni tra questi elementi e la sensibilità osservata nell’antibiogramma reale.
Il modello è stato addestrato su una parte dei dati e valutato su casi separati. Questo passaggio serve a verificare se il sistema riesca a formulare previsioni corrette anche su pazienti non utilizzati durante l’apprendimento.
Antibiogramma digitale: perché XGBoost ha ottenuto i risultati migliori
I ricercatori hanno confrontato diversi modelli di machine learning. Tra questi, XGBoost ha mostrato le prestazioni più elevate.
XGBoost appartiene alla famiglia degli algoritmi basati sugli alberi decisionali. Il sistema costruisce numerosi modelli semplici e li combina progressivamente.
Ogni nuovo passaggio cerca di correggere gli errori del precedente. In questo modo, l’algoritmo riesce a riconoscere relazioni complesse tra molte variabili.
Un vantaggio è la capacità di lavorare con dati clinici eterogenei. Età, precedenti ricoveri, infezioni passate e risultati microbiologici possono infatti avere formati e significati differenti.
Il modello non cerca una sola regola valida per tutti. Analizza molte combinazioni e assegna un peso alle informazioni più utili per la previsione.
Nello studio, XGBoost ha ottenuto un’accuratezza superiore al 90% nel prevedere la sensibilità agli antibiotici. Le prestazioni sono risultate elevate sia per i batteri Gram-positivi sia per quelli Gram-negativi.
Quali batteri sono stati previsti con maggiore precisione
Il sistema ha mostrato risultati particolarmente interessanti per alcune specie frequentemente coinvolte nelle infezioni ospedaliere.
Tra queste figurano Pseudomonas aeruginosa, Klebsiella pneumoniae ed Escherichia coli. Sono stati analizzati anche Enterococcus faecalis, Proteus mirabilis e Staphylococcus aureus.
Questi batteri possono causare infezioni urinarie, polmoniti, infezioni della cute, batteriemie e sepsi. Alcuni ceppi presentano inoltre resistenze multiple.
Klebsiella pneumoniae resistente ai carbapenemi rappresenta una particolare preoccupazione in Europa. Secondo l’ECDC, l’incidenza europea delle infezioni del sangue sostenute da questi ceppi è aumentata in modo significativo rispetto al 2019.
Pseudomonas aeruginosa può invece mostrare resistenze intrinseche e acquisite a numerosi antibiotici. Il trattamento richiede quindi una valutazione molto attenta.
Anche Staphylococcus aureus può sviluppare resistenza alla meticillina. In questo caso, diverse terapie comunemente utilizzate contro gli stafilococchi diventano inefficaci.
Quali dati utilizza il modello
Uno degli aspetti più interessanti riguarda la semplicità relativa delle informazioni necessarie.
Il sistema non richiede necessariamente il sequenziamento completo del batterio. Non utilizza neppure esclusivamente sofisticati marcatori molecolari.
Può lavorare con dati clinici e microbiologici raccolti di routine. Tra questi possono rientrare precedenti isolamenti batterici, risultati di vecchi antibiogrammi e caratteristiche dell’infezione.
Anche la storia dei ricoveri può essere utile. Un paziente recentemente ospedalizzato può infatti essere esposto a microrganismi diversi rispetto a una persona senza contatti sanitari.
Conta inoltre l’eventuale uso recente di antibiotici. Un trattamento precedente può selezionare batteri resistenti e modificare la probabilità di risposta.
L’algoritmo valuta tutte queste informazioni insieme. Questo approccio rende la previsione più personale rispetto a una semplice statistica sulla diffusione locale delle resistenze.
Perché si parla di medicina personalizzata
La terapia empirica tradizionale si basa su linee guida, sede dell’infezione e dati epidemiologici locali.
Questi elementi restano fondamentali. Tuttavia, descrivono soprattutto il rischio medio di una popolazione o di un reparto.
L’antibiogramma digitale aggiunge informazioni relative al singolo paziente. La previsione può cambiare in base alla sua storia clinica e microbiologica.
Due persone con la stessa infezione potrebbero quindi ricevere indicazioni iniziali differenti. Una potrebbe avere un elevato rischio di resistenza a un antibiotico già usato in passato.
L’altra potrebbe mostrare una maggiore probabilità di risposta a un farmaco più mirato. Questo permetterebbe di ridurre l’impiego precauzionale di molecole molto ampie.
La medicina personalizzata non consiste però nell’affidare la decisione a una macchina. Significa integrare dati individuali, esperienza clinica e conoscenze scientifiche.
Antibiogramma digitale: quanto tempo può far risparmiare
Secondo i ricercatori, il sistema può formulare la previsione almeno 48 ore prima dell’antibiogramma standard.
Il dato non significa che ogni laboratorio richieda sempre due giorni esatti. I tempi dipendono dal campione, dal microrganismo e dalle tecnologie disponibili.
In alcuni casi i sistemi rapidi possono fornire informazioni preliminari in poche ore. Altri batteri crescono invece lentamente e richiedono tempi più lunghi.
L’algoritmo offre il proprio contributo prima che sia disponibile il risultato fenotipico completo. Questo intervallo potrebbe essere decisivo nei pazienti più fragili.
Tuttavia, la previsione deve essere prodotta nel momento giusto. Se richiede dati disponibili soltanto dopo l’identificazione del batterio, il vantaggio temporale può ridursi.
Per questo l’integrazione con i sistemi informativi ospedalieri è essenziale. Il modello dovrebbe elaborare automaticamente le informazioni non appena diventano disponibili.
Può davvero ridurre l’uso degli antibiotici ad ampio spettro
In teoria, una previsione attendibile potrebbe favorire una terapia empirica più precisa.
Il medico potrebbe evitare un antibiotico molto ampio quando il modello indica una buona probabilità di risposta a una molecola più selettiva.
Viceversa, una forte previsione di resistenza potrebbe suggerire di non utilizzare un trattamento probabilmente inefficace.
Questo approccio potrebbe ridurre l’esposizione inutile agli antibiotici di ultima linea. Inoltre, potrebbe limitare effetti indesiderati e alterazioni del microbiota.
Tuttavia, l’effetto reale deve essere dimostrato in studi clinici. Una buona accuratezza statistica non garantisce automaticamente una riduzione delle prescrizioni inappropriate.
Bisogna osservare come i medici utilizzano il suggerimento. Inoltre, occorre verificare se il modello migliori davvero gli esiti del paziente.
Gli studi futuri dovranno misurare mortalità, durata del ricovero e frequenza degli effetti avversi. Dovranno anche valutare il consumo complessivo di antibiotici.
Perché l’accuratezza del 90% non basta da sola
Un valore superiore al 90% appare molto elevato, ma deve essere interpretato con cautela.
L’accuratezza indica la percentuale complessiva di previsioni corrette. Tuttavia, può risultare fuorviante quando i casi sensibili sono molto più numerosi di quelli resistenti.
Un modello potrebbe prevedere quasi sempre la categoria più frequente e ottenere comunque un buon risultato medio.
Per valutare un algoritmo servono quindi altri parametri. La sensibilità misura la capacità di riconoscere i casi realmente resistenti o sensibili, in base all’obiettivo scelto.
La specificità valuta invece quanto il sistema eviti falsi allarmi. Anche i valori predittivi sono importanti perché indicano l’affidabilità del risultato nel contesto reale.
Conta inoltre il tipo di errore. Prevedere sensibilità quando il batterio è resistente può portare a una terapia inefficace.
Al contrario, prevedere resistenza in un ceppo sensibile può spingere verso un antibiotico più ampio del necessario.
Quali sono i principali limiti dello studio
Il primo limite riguarda il numero dei centri. I dati provengono da due ospedali italiani.
Le resistenze batteriche cambiano però tra territori, strutture e reparti. Un modello efficace in un ospedale potrebbe funzionare meno bene altrove.
Anche le pratiche prescrittive e i sistemi informativi possono essere differenti. Pertanto, l’algoritmo deve essere validato su popolazioni indipendenti.
Il secondo problema riguarda il cambiamento nel tempo. I batteri evolvono e nuove resistenze possono comparire.
Un modello addestrato su dati passati può perdere accuratezza. Dovrà quindi essere aggiornato e controllato con continuità.
Inoltre, alcune categorie di pazienti potrebbero essere poco rappresentate. Bambini, persone immunodepresse o pazienti con malattie rare potrebbero richiedere valutazioni specifiche.
Gli stessi autori sottolineano la necessità di ulteriori studi multicentrici prima di un impiego esteso. (Idi)
Perché l’antibiogramma tradizionale resta indispensabile
Il test di laboratorio osserva direttamente la risposta del batterio agli antibiotici. Il modello digitale lavora invece su probabilità.
Anche una previsione molto accurata può sbagliare. Per questo non dovrebbe interrompere il percorso microbiologico.
L’antibiogramma tradizionale permette inoltre di rilevare profili di resistenza nuovi o inattesi. Un algoritmo addestrato su dati storici potrebbe non riconoscerli subito.
Il risultato fenotipico è necessario anche per correggere la terapia. Quando arriva il referto, il medico può confermare o modificare la scelta iniziale.
Inoltre, i laboratori contribuiscono alla sorveglianza epidemiologica. I dati reali sulle resistenze servono a controllare la diffusione dei batteri e aggiornare le linee guida.
L’antibiogramma digitale deve quindi essere considerato un ponte temporaneo. Può sostenere la fase empirica, ma non sostituisce la conferma microbiologica.
Antibiogramma digitale: quale ruolo conserva il medico
La decisione terapeutica rimane clinica.
Il medico deve valutare sede e gravità dell’infezione. Deve inoltre considerare allergie, funzione renale, funzione epatica e possibili interazioni farmacologiche.
Un antibiotico previsto come efficace potrebbe non essere adatto al paziente. Potrebbe, per esempio, penetrare male nel tessuto interessato.
Anche il dosaggio conta. Un batterio può risultare trattabile soltanto aumentando l’esposizione al farmaco, come previsto dalle categorie EUCAST.
L’algoritmo non può poi sostituire l’esame fisico o il giudizio sull’evoluzione clinica. Un paziente che peggiora richiede una rivalutazione immediata.
Il sistema dovrebbe quindi presentare probabilità comprensibili. Dovrebbe inoltre spiegare quali variabili hanno influenzato maggiormente il risultato.
La trasparenza aiuta il medico a valutare se la previsione sia coerente con il caso.
Antibiogramma digitale: quali rischi presenta l’uso dell’intelligenza artificiale
Il primo rischio è l’eccessiva fiducia nel risultato. Un punteggio elevato può sembrare una certezza, mentre resta una previsione statistica.
Esiste poi il problema della qualità dei dati. Cartelle incomplete, errori di codifica e informazioni non aggiornate possono alterare il risultato.
Anche i bias devono essere controllati. Se il modello viene addestrato soprattutto su alcuni gruppi, potrebbe offrire prestazioni inferiori negli altri.
La protezione dei dati sanitari rappresenta un ulteriore elemento. Il sistema deve rispettare le norme sulla privacy e garantire tracciabilità degli accessi.
Infine, occorre chiarire le responsabilità. Se il suggerimento dell’algoritmo conduce a una scelta errata, devono essere definite le modalità di verifica e segnalazione.
Per questi motivi, l’introduzione dell’intelligenza artificiale richiede regole, validazioni indipendenti e monitoraggio continuo.
Come potrebbe essere integrato negli ospedali
L’antibiogramma digitale potrebbe essere collegato alla cartella clinica elettronica.
Quando il laboratorio segnala un campione positivo, il sistema potrebbe raccogliere automaticamente le informazioni rilevanti. Quindi elaborerebbe una previsione in pochi secondi.
Il risultato dovrebbe arrivare al medico insieme a un’indicazione del livello di confidenza. Potrebbe essere integrato anche con le linee guida locali.
Il supporto potrebbe segnalare antibiotici poco appropriati o ricordare precedenti resistenze dello stesso paziente.
Un infettivologo o un microbiologo potrebbe poi revisionare i casi più complessi. Questo modello rafforzerebbe i programmi di antimicrobial stewardship.
Tali programmi puntano a utilizzare l’antibiotico giusto, nella dose corretta e per il tempo necessario.
L’intelligenza artificiale avrebbe quindi un ruolo organizzativo oltre che predittivo. Potrebbe facilitare la comunicazione tra laboratorio, reparto e specialisti.
Perché l’antibiotico-resistenza rende urgente innovare
L’antibiotico-resistenza si verifica quando i batteri non rispondono più ai farmaci utilizzati per trattarli.
Le infezioni diventano così più difficili da curare. Possono richiedere ricoveri più lunghi e terapie maggiormente tossiche.
L’Organizzazione mondiale della sanità considera la resistenza antimicrobica una crescente minaccia globale. Nel rapporto del 2025, l’OMS ha analizzato oltre 23 milioni di infezioni batteriche confermate in laboratorio.
Secondo l’OMS, nel 2023 circa una delle sei infezioni batteriche comuni confermate in laboratorio mostrava resistenza ai trattamenti analizzati. Inoltre, molte combinazioni tra patogeno e antibiotico hanno registrato un aumento della resistenza tra il 2018 e il 2023.
La tecnologia non può risolvere da sola il problema. Servono prevenzione delle infezioni, vaccinazioni, igiene e uso appropriato degli antibiotici.
Tuttavia, una scelta terapeutica più rapida e precisa può ridurre l’impiego inutile di farmaci.
Antibiogramma digitale: che cosa cambia per i pazienti
Nel breve periodo, l’antibiogramma digitale non modifica direttamente le modalità con cui i cittadini ricevono una terapia.
Il sistema è ancora oggetto di studio e validazione. Non rappresenta un test che il paziente possa richiedere autonomamente.
Il possibile vantaggio riguarda soprattutto i ricoverati con infezioni sospette o confermate. In futuro, il medico potrebbe ricevere prima un’indicazione personalizzata.
Questo potrebbe ridurre il tempo trascorso con una terapia inefficace. Potrebbe inoltre limitare il ricorso a farmaci più ampi del necessario.
Per dimostrare questi benefici serviranno però studi prospettici. I ricercatori dovranno confrontare reparti che utilizzano il modello con reparti gestiti secondo le procedure standard.
Solo così sarà possibile capire se l’algoritmo migliori davvero la sopravvivenza e riduca i ricoveri.
Quali sono i prossimi passi della ricerca
La priorità è validare il modello in più ospedali.
I nuovi studi dovranno includere territori con profili di resistenza diversi. Inoltre, dovranno valutare il sistema in reparti differenti.
Terapia intensiva, geriatria, chirurgia e pediatria presentano infatti esigenze specifiche. Anche la frequenza dei diversi batteri cambia.
Sarà necessario aggiornare regolarmente l’algoritmo. I nuovi dati dovranno essere incorporati senza perdere controllo e trasparenza.
Un altro obiettivo consiste nell’integrare microbiologia in tempo reale e sistemi predittivi. Il modello potrebbe migliorare man mano che arrivano informazioni dal laboratorio.
In futuro, dati genomici e molecolari potrebbero aggiungere ulteriore precisione. Tuttavia, l’utilizzo di informazioni di routine resta un importante punto di forza.
Rende infatti il sistema potenzialmente applicabile anche in strutture che non dispongono di tecnologie avanzate.
Un’arma in più, non un sostituto del laboratorio
Lo studio italiano mostra che il machine learning può riconoscere schemi clinici difficili da valutare manualmente.
L’accuratezza ottenuta e il possibile anticipo di almeno 48 ore sono risultati promettenti. Il valore maggiore riguarda la capacità di sfruttare dati già disponibili.
Tuttavia, l’antibiogramma digitale non deve essere confuso con una risposta definitiva. Rimane un sistema di supporto alla fase iniziale della terapia.
Il laboratorio continuerà a identificare il batterio e a misurarne la sensibilità reale. Il medico dovrà integrare queste informazioni con le condizioni della persona.
Se validato su larga scala, il modello potrebbe ridurre i trattamenti empirici inefficaci. Potrebbe anche sostenere un uso più prudente degli antibiotici ad ampio spettro.
La vera innovazione non consiste nel delegare la cura a un algoritmo. Consiste nel fornire ai professionisti un’informazione utile quando il tempo è ancora un fattore decisivo.