La résistance aux antimicrobiens (RAM) est l’une des principales menaces pour la santé publique mondiale et a été directement responsable de 1,27 million de décès en 2019.
L’impact de la RAM est considérable et met en péril de nombreux acquis de la médecine moderne, notamment en augmentant le risque de procédures et de traitements tels que la chirurgie, les césariennes et la chimiothérapie anticancéreuse.
La RAM survient lorsque des « micro-organismes » tels que des bactéries, des champignons et des parasites changent au fil du temps et ne répondent plus aux médicaments.
Les micro-organismes qui développent une résistance aux antimicrobiens contre plusieurs médicaments antimicrobiens couramment utilisés sont souvent appelés « superbactéries », ce qui peut provoquer des infections plus difficiles à traiter, augmentant ainsi le risque de propagation de maladies, de maladies graves et de décès.
Parallèlement, le développement d’antibiotiques pour traiter les infections bactériennes ne peut pas suivre la progression rapide de la résistance aux antimicrobiens. Bien que des efforts concertés soient déployés pour s’attaquer au problème – à la fois à l’université Monash et dans le monde entier – l’Organisation mondiale de la santé estime que la portée de la recherche est « insuffisante face à l’augmentation des niveaux de résistance ».
Faire appel à la science des données
Au Institut Monash des sciences pharmaceutiques (MIPS)les chercheurs exploitent la science des données avancée pour aider à résoudre le problème.
En première mondiale, l’équipe a publié une étude qui montre comment elle utilise la modélisation informatique pour décrire et prédire quand une résistance aux antibiotiques apparaîtra pendant le traitement d’une infection bactérienne.
« Il existe un besoin urgent de nouvelles méthodes permettant de prédire l’émergence d’une résistance aux antibiotiques pendant le traitement afin de garantir que la dose est adéquate et que le médicament fonctionne aussi efficacement que possible », explique la professeure associée Cornelia Landersdorfer, co-auteure principale du MIPS.
Elle ajoute que le besoin d’une telle modélisation n’est pas à court terme, mais plutôt quelque chose qui sera nécessaire dans le futur.
« Alors que de nouveaux antibiotiques sont mis au point, la résistance à ces médicaments apparaît généralement rapidement. Cela signifie que nous ne pouvons malheureusement pas compter uniquement sur ces médicaments, et c’est là que la technologie entre en jeu. »
« En utilisant la modélisation pour prédire le moment où la résistance aux antibiotiques apparaîtra pendant le traitement, nous pouvons idéalement garder une longueur d’avance sur les microbes et, en retour, nous assurer que le schéma posologique est optimisé pour supprimer la résistance et augmenter la probabilité de succès du traitement de l’infection. »
« En utilisant la modélisation pour prédire le moment où la résistance aux antibiotiques apparaîtra pendant le traitement, nous pouvons idéalement garder une longueur d’avance sur les microbes », explique la professeure associée Cornelia Landersdorfer (au centre).
Modèle QSP pour prédire la résistance
En se concentrant sur l’antibiotique méropénème, qui est administré par voie intraveineuse pour traiter une gamme d’infections bactériennes graves telles que la méningite, l’infection intra-abdominale, la pneumonie et la septicémie, l’équipe a conçu le premier modèle de pharmacologie quantitative des systèmes (QSP) pour décrire et prédire la résistance au méropénème sur sept souches de la bactérie mortelle. Pseudomonas aeruginosaun pathogène associé à une résistance aux antibiotiques et à une mortalité élevée chez les patients immunodéprimés.
QSP utilise des modèles informatiques pour décrire les interactions entre un médicament et une maladie. Dans ce cas, le modèle QSP décrit et prédit l’évolution temporelle complète de la croissance bactérienne, de la destruction bactérienne et de l’émergence de la résistance aux antibiotiques dans chacune des sept maladies. Pseudomonas aeruginosa souches qui présentaient diverses caractéristiques bactériennes préexistantes, notamment des mutations de résistance.
Dominika Fuhs, co-auteure principale de l’étude et candidate au doctorat MIPS, a déclaré que la relation entre les antibiotiques, les caractéristiques bactériennes et l’émergence de la résistance au cours du traitement est compliquée, ce qui signifie qu’il peut être délicat d’obtenir les bons schémas posologiques.
« Notre modèle QSP représente une avancée substantielle par rapport à la manière dont les scientifiques tentent actuellement de mesurer l’activité variable des antibiotiques au fil du temps après l’administration.
« Jusqu’à présent, aucun autre modèle n’a étudié les schémas thérapeutiques à base de méropénème dans le contexte de différents mécanismes de résistance en utilisant un panel de mutants résistants aux bactéries », explique Fuhs.
Pseudomonas aeruginosa possède une capacité exceptionnelle d’émergence de résistance lors du traitement aux antibiotiques et fait partie des principaux agents pathogènes responsables des décès associés à la résistance aux antimicrobiens dans le monde.
« L’antibiotique méropénème est couramment utilisé contre Pseudomonas aeruginosamais il s’agit d’un organisme particulièrement difficile à traiter en raison de son arsenal extrêmement vaste [the medicines, equipment, and techniques available to a medical practitioner] « Il possède des mécanismes de résistance et une grande capacité à devenir résistant à tous les antibiotiques disponibles », ajoute Fuhs.
« Traditionnellement, les indices pharmacocinétiques/pharmacodynamiques ont été utilisés pour tenter de relier les concentrations d’antibiotiques tels que le méropénème après le début du traitement à la réponse bactérienne afin d’éclairer le dosage. »
Dominika Fuhs, candidate au doctorat MIPS, au travail en laboratoire : « Notre modèle QSP représente une avancée substantielle par rapport à la manière dont les scientifiques tentent actuellement de mesurer l’activité variable des antibiotiques au fil du temps après leur administration. »
Les méthodes traditionnelles sont insuffisantes
Le professeur associé Landersdorfer affirme cependant que cette méthode traditionnelle ne permet pas de saisir l’intégralité de la durée d’exposition à l’antibiotique ni la réponse bactérienne qui s’ensuit.
« En revanche, les modèles QSP décrivent et prédisent l’évolution temporelle complète de la croissance bactérienne et de l’émergence de la résistance. »
Face à la montée en flèche de la RAM dans le monde, l’utilisation de la technologie pour aider à atténuer les risques et, à terme, réduire les taux de mortalité exceptionnellement élevés jouera un rôle de plus en plus important dans la gestion continue de ce problème de santé mondial épique.
Le co-auteur principal de l’étude, le professeur associé Antonio Oliver, de l’Instituto de Investigación Sanitaria Illes Balears (IdISBa) et de l’hôpital Son Espases, Palma de Majorque, Espagne, a travaillé en étroite collaboration avec l’équipe MIPS et a apporté une contribution significative à l’étude en fournissant les souches bactériennes et en effectuant l’analyse bioinformatique, deux éléments essentiels dans le développement du modèle QSP.
Cette étude a été publiée dans Microbiologie clinique et infection.
2024-08-08 02:14:59
1723073476
#Une #avancée #majeure #dans #lutte #contre #résistance #aux #antimicrobiens #Monash #Lens
