172 Closing pages (Willemsen et al. 2015). Deze bevindingen werpen licht op de complexe dynamiek van antimicrobiële resistentiepatronen en benadrukken de noodzaak van verder onderzoek naar de onderliggende factoren die van invloed zijn op de prevalentie van verschillende resistentiemechanismen. Optimalisatie van de detectie van AmpC-gemedieerde resistentie in E. coli Om effectieve surveillance van antimicrobiële resistentie te waarborgen, spelen nauwkeurige diagnostische testen een cruciale rol. Het detecteren van plasmidegecodeerde AmpC omvat zowel fenotypische als genotypische technieken. Het onderscheiden van chromosoom-gecodeerde en plasmide-gecodeerde ampC-genen kan uitdagend zijn vanwege hun co-existentie, met name bij E. coli. Hoewel moleculaire bevestigingstests vaak worden gebruikt voor het screenen van plasmide-gecodeerde AmpC-producerende E. coli, kunnen ze tijdrovend en kostbaar zijn, waardoor ze minder haalbaar zijn in bepaalde situaties, vooral indien slechts beperkte middelen beschikbaar zijn. In deze situaties zou het nuttig zijn om een praktisch algoritme te hebben dat op basis van alleen het fenotype onderscheid kan maken tussen ampC-genotypen in E. coli. Deze aanpak zou helpen identificeren welke isolaten verder moeten worden bevestigd met moleculaire testen. Door snel plasmide-gecodeerde AmpC-isolaten te identificeren, kunnen infectiepreventiemaatregelen worden verbeterd, onnodige en kostbare isolatiemaatregelen worden beperkt en kunnen passende behandelstrategieën worden geïmplementeerd. Hoofdstuk 4 biedt een gedetailleerde beschrijving van de ontwikkeling van een dergelijk model, waarbij gebruik wordt gemaakt van machine learning-technieken. Het algoritme maakt gebruik van de minimale remmende concentratie (MIC) van cefotaxime om de aanwezigheid van plasmide-gecodeerde AmpC te voorspellen in cefoxitin-resistente (>8 mg/L) en ESBL-negatieve E. coli. Hoewel het algoritme een hoge nauwkeurigheid heeft aangetoond, is het belangrijk op te merken dat de gegevens die zijn gebruikt voor modelontwikkeling en training voornamelijk bestonden uit E. coli met blaCMY-2 en een beperkt aantal andere plasmidegecodeerde AmpC-genotypen. Hoewel dit de epidemiologische situatie in Nederland weerspiegelt, is het de moeite waard om te overwegen dat geografische variaties kunnen bestaan in andere regio’s. Desalniettemin heeft het gebruik van machine learning-technieken enorm potentieel om screeningsalgoritmen binnen het vakgebied van de microbiologie te optimaliseren. Met goed samengestelde datasets op basis van gestandaardiseerde fenotypische en genotypische tests zijn de mogelijkheden voor vooruitgang in laboratoriumontwikkeling en infectiepreventiemethoden grenzeloos.
RkJQdWJsaXNoZXIy MTk4NDMw