综述：人工智能与传染病：从个性化医疗到抗生素发现，应对抗菌素耐药性

　　本综述系统探讨了人工智能（AI）在应对全球抗菌素耐药性（AMR）危机中的多维度应用，包括新型抗生素发现、抗菌药物管理（AMS）、感染防控及公共卫生预警系统构建。文章强调AI通过挖掘临床难以辨别的数据模式，可助力实现联合国大会（UNGA）2030年降低AMR相关死亡率10%的目标，同时指出数据质量、算法可解释性及伦理法规等挑战仍需突破。

　　

人工智能在抗菌素耐药性防控中的核心作用

抗菌素耐药性（AMR）已被联合国大会定义为需通过"一体化健康"（One Health）策略应对的全球性危机。2024年UNGA会议设定了具体目标：要求90%以上医疗机构实施感染防控计划，全球70%抗生素使用限于WHO基本药物目录，并加强AMR监测与新型抗生素研发。人工智能技术凭借其强大的数据挖掘与模式识别能力，成为实现这些目标的关键工具。

抗生素研发的新范式

传统抗生素发现依赖微生物次级代谢产物筛选，但针对多重耐药（MDR）和极端耐药（XDR）菌的新药研发管道日益枯竭。AI通过深度学习分析化合物结构与活性关系，加速了新型抗生素的发现。例如生成式AI可设计具有特定抗菌活性的分子结构，而机器学习模型能预测化合物毒性及药代动力学参数，显著降低临床前研究成本。此外，AI驱动的自动化实验平台（如"细菌死亡时钟"模型）可实现高通量药物筛选，为攻克耐药菌提供新思路。

精准化抗菌药物管理

抗菌药物管理（AMS）的核心是"在正确时间为正确患者提供正确药物"。AI临床决策支持系统通过整合电子健康记录（EHR）、实验室数据及实时监测信息，实现：

1. 1.

   快速病原体鉴定：基于质谱数据与基因组序列的机器学习模型，将微生物鉴定时间从小时级缩短至分钟级

2. 2.

   个体化给药方案：通过贝叶斯模型优化万古霉素、氨基糖苷类等治疗窗狭窄药物的剂量调整

3. 3.

   耐药风险预测：利用逻辑回归与随机森林算法，提前24-72小时预警患者耐药菌定植风险

   这些技术使AMS从经验性用药转向数据驱动的精准医疗。

公共卫生监测与预警系统

AI在AMR宏观监测中发挥核心作用：

• •

  时空传播预测：结合气象数据、人口流动信息与耐药率监测，构建耐药菌传播动力学模型

• •

  基因组流行病学：通过自然语言处理（NLP）技术快速解析病原体基因组测序报告，识别暴发关联性

• •

  早期预警系统：基于异常检测算法（如隔离森林模型）从住院筛查数据中识别新兴耐药簇

  这些系统为公共卫生部门提供前瞻性干预依据。

实施挑战与未来方向

尽管AI技术前景广阔，但其临床应用仍面临多重障碍：

1. 1.

   数据质量：医疗数据碎片化与标准化不足制约算法性能

2. 2.

   算法泛化性：基于单一机构数据训练的模型难以推广至其他医疗系统

3. 3.

   伦理与监管：AI决策的黑箱特性与医疗公平性问题亟待解决

   未来需建立符合FAIR原则（可发现、可访问、可互操作、可重用）的数据生态系统，并通过跨国合作完善AI验证框架。

结论

人工智能正重塑AMR防控体系：在微观层面加速抗生素研发与精准给药，在宏观层面构建智能监测网络。实现UNGA2030目标需跨越技术整合、人才培养和政策协调的多重壁垒，最终构建基于AI的可持续AMR治理新范式。