.svg)
DU Dzīvības zinātņu un tehnoloģiju institūts piedalās starptautiskā projektā „Modelling Approaches to Guide Intelligent Surveillance for the Sustainable Introduction of Novel Antibiotics”(MAGIcIAN) (Modelēšanas pieejas jaunu antibiotiku ilgtspējīgas ieviešanas pārdomātai uzraudzībai), Līguma Nr. ES RTD/2020/04.
Projekts tiek īstenots kā daļa no Apvārsnis 2020 programmas ERA-NET JPI-EC-AMR programmas “Diagnostics and surveillance of antimicrobial resistance: development of tools, technologies and methods for global use”
Projekta īstenošanas laiks: 01.04.2020 – 31.09.2023
Projekta partneri
Itālijas nacionālais pētniecības centrs (National Research Council of Italy),
Amsterdamas universitātes medicīnas fakultāte (Amsterdam UMC – AMC, Faculty of Medicine, University of Amsterdam),
DU Dzīvības zinātņu un tehnoloģiju institūts,
Nacionālais mikrobioloģijas centrs, Spānija (Instituto de Salud Carlos III, National Centre for Microbiology),
Slimību dinamikas, ekonomijas un politikas centrs, Indija (Center for Disease Dynamics, Economics & Policy, India).
Projekta apraksts
Projekta mērķis ir izstrādāt pamatotas vadlīnijas jaunu antobiotiku ieviešanai.
Pasaulē palielinās slimību izraisošo mikroorganismu pretestība antibiotikām – notiek mikroorganismu evolūcija antibiotiku iektemē, kuras rezultātā rodas un izdzīvo jaunas baktēriju mutācijas, kas ir mazāk jutīgas attiecībā uz šīm antibiotikām (antimicrobial resistance, AMR). AMR samazina antibiotiku efektivitāti un rada nopietnus veselības draudus cilvēcei. Jaunas antibiotikas ir jāievieš pārdomāti, lai sniegtu palīdzību tādiem pacientiem, kam tā visvairāk vajadzīga, un lai maksimāli palēninātu antimikrobiālo rezistenci pasaulē. Projekta mērķis ir apvienot medicīnas, mikrobioloģijas, epidemioloģijas un matemātiskās modelēšanas ekspertus vienā projektā un veikt pieejamo datu analīzi.
Projekta ietvaros tiek veikta AMR modelēšana un prognozēšana 3 līmeņos: tiek modelēti procesi pacientā (mikrolīmenis), cilvēku sabiedrībā, ar ko kontaktējas pacients (mezolīmenis) un valsts vai liela reģiona līmenī (makrolīmenis) .
DU projekta grupa nodarbojas ar AMR makrolīmeņa modelēšanu sabiedrībā iegūtu (community-acquired) slimību izraisītāju gadījumā. Lai izstrādātu vadlīnijas jaunas antibiotikas ieviešanai, ir jāzina rezistento baktēriju nesēju (inficēto cilvēķu) skaits vai daļa valstī vai reģionā. Rezistento infekciju skaita reģistrēšana notiek tikai nelielā daļā no visām pasaules valstīm, tāpēc ir nepieciešams veikt AMR līmeņa prognozēšanu valstīs un reģionos, kur nav veikti mērījumi. Šādas prognozes ļaus ieekonomēt laiku un citus resursus. Projekta partneri ir izstrādājuši metodes AMR līmeņa prognozēšanai izmantojot matemātikas un mašīnmācīšanās metodes, skat. (Oldenkamp et al., 2021), (Daugulis et al., 2022). Tiek pieņemts, ka sabiedrībā iegūtu slimību izplatīšanās ir atkarīga no socio-ekonomiskajiem faktoriem. Ņemot šādus datus kā sākuma datus, tiek veiktas AMR līmeņa prognozes. Tiek izmantoti organizācijas World Bank dati.
Pēc AMR prognožu iegūšanas var tikt veikta to statistiskā analīze, ģeogrāfisko korelāciju noteikšana un cita veida analīze, kas tiek izmantota to valstu un teritoriju noteikšanai, kur ir vēlama jaunas antibiotikas ieviešana dotajam patogēnam vai nepieciešami papildus mērījumi.
Projekta mājaslapa: https://www.magician-amr.eu/
Projekta koordinators: Pēteris Daugulis
Projektā izpildītāji it DU darbinieki un ārējie eksperti.
Projekta ziņas
2020.gads
Aprīlis: DU noslēdz līgumu ar VIAA par projekta pirmā posma īstenošanu.
2021.gads
Jūnijs: DU noslēdz līgumu ar VIAA par projekta otrā posma īstenošanu.
https://www.pnas.org/doi/10.1073/pnas.2013515118
2022.gads
Janvāris: PROJEKTA “MAGICIAN” IETVAROS PUBLICĒTS RAKSTS “A PCA-based data prediction method”
Jūnijs: DU noslēdz līgumu ar LZP par projekta trešā posma īstenošanu.
Tika iegūtas ikgadējas AMR prognozes slimības izraisītāja Neisseria gonorrhoeae gadījumā lielākajai daļai pasaules valstu laika periodam 1997-2021 gg. Tika veikta šo prognožu analīze, kas ir pieejama projekta partneriem, kas nodarbojas ar vadlīniju un rekomendāciju izstrādi.
Bibliogrāfija
Oldenkamp R., Schultsz C., Mancini E., Cappuccio A. (2021) Filling the gaps in the global prevalence map of clinical antimicrobial resistance, Proc Natl Acad Sci U S A, 2021 Jan 5;118(1):e2013515118. doi: 10.1073/pnas.2013515118. Erratum in: Proc Natl Acad Sci U S A. 2021 Oct 19;118(42): PMID: 33372157; PMCID: PMC7817194.
Daugulis P., Vagale V., Mancini E., Castiglione F. (2022) A PCA-based data prediction method, Baltic J. Modern Computing, Vol 10-1, pp.1-16.
