La prueba iACT usa IA y hasta 180 combinaciones de antibióticos para personalizar tratamientos contra infecciones resistentes

La prueba iACT aborda este desafío analizando directamente cómo reacciona la bacteria aislada del paciente frente a distintas combinaciones de antibióticos.

Hasta 180 combinaciones de antibióticos analizadas

Una característica clave del sistema es la amplitud de su panel de pruebas. En el laboratorio, la plataforma puede evaluar hasta 180 combinaciones distintas de antibióticos a concentraciones clínicamente relevantes contra la bacteria del paciente.

Los investigadores observan qué combinaciones:

• eliminan eficazmente la bacteria
• frenan su crecimiento
• o resultan poco efectivas

Esto es importante porque los antibióticos pueden interactuar de diferentes formas: algunas combinaciones producen efectos sinérgicos (se potencian entre sí), otras simplemente se suman y algunas incluso pueden interferir entre sí.

El proceso está diseñado para ser rápido. En muchos casos, los resultados pueden estar disponibles en unas 48 horas, lo que permite a los médicos ajustar el tratamiento mientras la infección aún se está tratando activamente.

El papel de la inteligencia artificial

Las descripciones públicas de la plataforma la presentan como una herramienta impulsada por inteligencia artificial, ya que utiliza análisis computacional para interpretar grandes cantidades de resultados experimentales y ayudar a identificar las combinaciones más prometedoras.

Las fuentes disponibles no detallan los algoritmos exactos utilizados, pero el objetivo del sistema es claro: convertir los datos del laboratorio en recomendaciones terapéuticas más precisas para cada paciente.

En lugar de depender únicamente de pruebas de sensibilidad tradicionales o de la experiencia previa del médico, el sistema analiza múltiples resultados experimentales para apoyar la selección del tratamiento.

Por qué las combinaciones personalizadas son importantes

El aumento de las bacterias multirresistentes significa que el número de antibióticos eficaces es cada vez menor. En este contexto, utilizar los medicamentos disponibles de la forma más precisa posible es crucial.

Las investigaciones muestran que la eficacia de las combinaciones antibióticas suele depender de la cepa específica que causa la infección.

Al probar directamente diferentes combinaciones contra el patógeno del paciente, iACT pretende:

• identificar el tratamiento más eficaz para esa infección concreta
• evitar combinaciones innecesarias o potencialmente tóxicas
• mejorar las probabilidades de éxito en infecciones graves

Este enfoque encaja con las estrategias globales de gestión responsable de antibióticos, que buscan preservar la eficacia de estos medicamentos durante más tiempo.

La colaboración entre SGH y A*STAR

Para llevar la tecnología más allá del laboratorio, Singapore General Hospital y el Diagnostics Development Hub de A*STAR —la agencia nacional de investigación de Singapur— firmaron un acuerdo de colaboración para acelerar la transformación de innovaciones médicas en herramientas clínicas.

El objetivo es convertir desarrollos como iACT en diagnósticos escalables y comercializables que puedan integrarse en el sistema sanitario público de Singapur y, potencialmente, en hospitales de otros países.

El proyecto forma parte de un esfuerzo más amplio para trasladar avances en inteligencia artificial y diagnóstico de precisión desde la investigación hasta aplicaciones reales para los pacientes.

Un posible avance frente a la resistencia antimicrobiana

La resistencia a los antimicrobianos es considerada por expertos en salud pública como una de las grandes amenazas sanitarias del siglo XXI. A medida que algunos antibióticos dejan de ser efectivos, optimizar el uso de los que todavía funcionan se vuelve esencial.

Tecnologías como iACT apuntan hacia un modelo de terapia antibiótica de precisión, en el que el tratamiento se adapta a la biología exacta de la infección de cada paciente.

Si herramientas de este tipo logran implementarse a gran escala, podrían mejorar los resultados clínicos en infecciones resistentes y reducir la dependencia del ensayo y error al elegir tratamientos.