NAIST: Устройство для определения чувствительности к антибиотикам

Продукт
Разработчики: Институт науки и технологий Нары (NAIST)
Дата премьеры системы: октябрь 2022 г.
Отрасли: Фармацевтика, медицина, здравоохранение

2022: Анонс устройства

21 октября 2022 года японский Институт науки и технологий Нары (NAIST) сообщил о разработке нового скоростного метода тестирования на чувствительность к антибиотикам. Ожидается, что предложенный способ позволит пересмотреть подход к скринингу микробов в клинических и исследовательских лабораториях.

Обычно для определения медикаментозной восприимчивости бактериальной инфекции требуется значительное время. Дело в том, что бактерии, устойчивые к антибиотикам, становятся всё более распространёнными, что усложняет лечение. С риском сопряжены даже рутинные хирургические процедуры: без эффективных лекарственных препаратов незначительное инфицирование раны может привести к самым серьёзным последствиям. Так, по данным Центра по контролю и профилактике заболеваний США, инфекции, устойчивые к антибиотикам, ежегодно уносят жизни более миллиона людей во всём мире.

Разработано устройство для определения чувствительности к антибиотикам

Получение показаний о чувствительности к антибиотикам бактерий, вызывающих проблемы у конкретного пациента, необходимо выполнять максимально быстро, чтобы человек мог вовремя получить правильное лечение. Новая технология, предложенная японскими специалистами, позволяет осуществить необходимые процедуры всего за два часа. А это даёт возможность в максимально сжатые сроки назначить оптимальное лечение и в ряде случаев сохранить человеческие жизни.

Метод предполагает использование импедансной цитометрии для измерения диэлектрических свойств бактерий. Поскольку такие показания соответствуют физической реакции бактерии на антибиотик, можно быстро определить, эффективен ли конкретный препарат. Разработанный метод предполагает одновременный анализ испытуемых (обработанных антибиотиками) и эталонных (необработанных) бактериальных клеток с применением алгоритмов машинного обучения. Утверждается, что доля ошибок при использовании метода составляет менее 10 %. [1]

Примечания



СМ. ТАКЖЕ (1)