УДК 004.8
DOI: 10.36871/26189976.2026.01-2.004

Авторы

Алсу Ильгамовна Хабибрахманова,
Казанский государственный энергетический университет, Казань, Россия

Аннотация

Распространение антибиотикорезистентности представляет собой серьезную глобальную угрозу для общественного здравоохранения, приводя к росту смертности, продолжительности и стоимости лечения. Существующие системы мониторинга фиксируют популяционные тенденции, однако недостаточно развиты инструменты персонализированного прогнозирования риска развития резистентности у конкретного пациента для оптимизации терапии на раннем этапе. Поэтому акутальным является вопрос разработки прототипа автоматизированной системы, способной прогнозировать риск развития резистентности к антибиотикам у пациента на основе анализа его клинико-микробиологических данных с применением методов машинного обучения. В результате исследования создан рабочий прототип автоматизированной системы. Система интегрирует в себе модель машинного обучения, показавшую наилучшие метрики на тестовых данных, и интуитивно понятный интерфейс для ввода ключевых параметров пациента: анамнеза антибиотикотерапии, данных о возбудителе и его чувствительности. Прототип демонстрирует возможность формирования индивидуального прогностического заключения. Предложенное решение способно выступать в качестве инструмента поддержки принятия врачебных решений, направленного на персонализацию и оптимизацию антимикробной терапии. Внедрение подобных систем в клиническую практику может способствовать повышению эффективности лечения, снижению риска осложнений и контролю за ростом антибиотикорезистентности на институциональном уровне. Дальнейшее развитие работы видится в увеличении объема и разнообразия обучающих данных, а также в проведении пилотных клинических испытаний.

Ключевые слова

автоматизированная система
антибиотики
резистентность
машинное обучение
искусственный интеллект
оптимизация фармакотерапии

Список литературы

[1] Ахикян А.И., Данилюк С. С. Алгоритм машинного обучения адаптивный случайный лес и его применение // Международный научный журнал «Вестник науки». 2024. Т. 1. № 6 (15). С. 1393–1402.
[2] Григорьев С.Г., Лобзин Ю. В., Скрипченко Н. В. Роль и место логистической регрессии и ROC-анализа в решении медицинских диагностических задач // Журнал инфектологии. 2016. Т. 8. № 4. С. 36–45.
[3] Кузнецов И. А. Современные математические методы построения доверенных систем поддержки принятия медицинских решений // Системы высокой доступности. — 2023. Т. 19, № 4. С. 63–72.
[4] Кузьменков А.Ю., Виноградова А. Г. Мониторинг антибиотикорезистентности: обзор информаицонных ресурсов // Бюллетень Сибирской медицины. 2020. № 19 (2). С. 163–170.
[5] AMRmap. Национальная платформа мониторинга антимикробной резистентности. URL: https://amrmap.ru (дата обращения 19.01.2026).
[6] AMRVis: Visual analytics system for antimicrobial resistance // IEEE Transactions on Visualization. 2020. URL: https://ieeexplore.ieee.org/document/8972403 (дата обращения 20.01.2026).
[7] Antibiotic resistance microbiology dataset (ARMD) // Dryad Digital Repository. 2021. URL: https://datadryad.org/stash/dataset/doi:10.5061/dryad.wstqjq2k8 (дата обращения 20.01.2026).
[8] DeepARG: model for predicting antibiotic resistance genes // Microbiome. 2018. URL: https://doi.org/10.1186/s40168–018–0401‑z (дата обращения 20.01.2026).
[9] DRIAMS dataset // Zenodo. 2019. URL: https://zenodo.org/record/3362043 (дата обращения 20.01.2026).
[10] European Centre for Disease Prevention and Control. Surveillance of antimicrobial resistance in Europe 2020. Stockholm: ECDC, 2021. URL: https://www.ecdc.europa.eu/en/publications-data/surveillance-antimicrobial-resistance-europe‑2020 (дата обращения 18.01.2026).
[11] Global burden of bacterial antimicrobial resistance in 2019: a systematic analysis // The Lancet. 2022. URL: https://doi.org/10.1016/S0140–6736(21)02724–0 (дата обращения 18.01.2026).
[12] PATRIC: Resource for Infectious Disease Research // Nucleic Acids Research. 2017. URL: https://academic.oup.com/nar/article/45/D1/D535/2290938 (дата обращения 20.01.2026).
[13] XGBoost: A Scalable Tree Boosting System // xgboost.readthedocs.io. URL: https://xgboost. readthedocs.io/ (дата обращения 20.01.2026).