Antimicrobial treatment regimens against bacterial pathogens are designed using the drug's minimum inhibitory concentration (MIC) measured at a bacterial density of 5.7 log10(colony-forming units (CFU)/mL) in vitro. However, MIC changes with pathogen density, which varies among infectious diseases and during treatment. Incorporating this into treatment design requires realistic mathematical models of the relationships. We compared the MIC-density relationships for Gram-negative Escherichia coli and non-typhoidal Salmonella enterica subsp. enterica and Gram-positive Staphylococcus aureus and Streptococcus pneumonia (for n = 4 drug-susceptible strains per (sub)species and 1-8 log10(CFU/mL) densities), for antimicrobial classes with bactericidal activity against the (sub)species: β-lactams (ceftriaxone and oxacillin), fluoroquinolones (ciprofloxacin), aminoglycosides (gentamicin), glycopeptides (vancomycin) and oxazolidinones (linezolid). Fitting six candidate mathematical models to the log2(MIC) vs. log10(CFU/mL) curves did not identify one model best capturing the relationships across the pathogen-antimicrobial combinations. Gompertz and logistic models (rather than a previously proposed Michaelis-Menten model) fitted best most often. Importantly, the bacterial density after which the MIC sharply increases (an MIC advancement-point density) and that density's intra-(sub)species range evidently depended on the antimicrobial mechanism of action. Capturing these dependencies for the disease-pathogen-antimicrobial combination could help determine the MICs for which bacterial densities are most informative for treatment regimen design.

中文翻译：

---

“接种物效应”的数学建模：六个适用模型和MIC推进点概念。

针对细菌病原体的抗菌治疗方案是使用在体外细菌密度为 5.7 log10（菌落形成单位 (CFU)/mL）时测得的药物最小抑制浓度 (MIC) 设计的。然而，MIC随着病原体密度的变化而变化，这在传染病和治疗过程中会有所不同。将其纳入治疗设计需要真实的关系数学模型。我们比较了革兰氏阴性大肠杆菌和非伤寒肠沙门氏菌亚种的 MIC 密度关系。enterica 和革兰氏阳性金黄色葡萄球菌和肺炎链球菌（对于每个（亚）种 n = 4 个药物敏感菌株和 1-8 log10（CFU/mL）密度），用于对（亚）种具有杀菌活性的抗菌类别： β-内酰胺类（头孢曲松和苯唑西林），氟喹诺酮类（环丙沙星）、氨基糖苷类（庆大霉素）、糖肽类（万古霉素）和恶唑烷酮类（利奈唑胺）。将六个候选数学模型拟合到 log2(MIC) 与 log10(CFU/mL) 曲线并没有确定一个模型最能捕捉病原体-抗菌组合之间的关系。Gompertz 和逻辑模型（而不是之前提出的 Michaelis-Menten 模型）最常拟合。重要的是，MIC 急剧增加后的细菌密度（MIC 推进点密度）和该密度的种内（亚）种范围显然取决于抗菌作用机制。捕获疾病-病原体-抗生素组合的这些依赖关系可以帮助确定细菌密度对于治疗方案设计最有用的 MIC。氨基糖苷类（庆大霉素）、糖肽类（万古霉素）和恶唑烷酮类（利奈唑胺）。将六个候选数学模型拟合到 log2(MIC) 与 log10(CFU/mL) 曲线并没有确定一个模型最能捕捉病原体-抗菌组合之间的关系。Gompertz 和逻辑模型（而不是之前提出的 Michaelis-Menten 模型）最常拟合。重要的是，MIC 急剧增加后的细菌密度（MIC 推进点密度）和该密度的种内（亚）种范围显然取决于抗菌作用机制。捕获疾病-病原体-抗生素组合的这些依赖关系可以帮助确定细菌密度对于治疗方案设计最有用的 MIC。氨基糖苷类（庆大霉素）、糖肽类（万古霉素）和恶唑烷酮类（利奈唑胺）。将六个候选数学模型拟合到 log2(MIC) 与 log10(CFU/mL) 曲线并没有确定一个模型最能捕捉病原体-抗菌组合之间的关系。Gompertz 和逻辑模型（而不是之前提出的 Michaelis-Menten 模型）最常拟合。重要的是，MIC 急剧增加后的细菌密度（MIC 推进点密度）和该密度的种内（亚）种范围显然取决于抗菌作用机制。捕获疾病-病原体-抗生素组合的这些依赖关系可以帮助确定细菌密度对于治疗方案设计最有用的 MIC。糖肽（万古霉素）和恶唑烷酮（利奈唑胺）。将六个候选数学模型拟合到 log2(MIC) 与 log10(CFU/mL) 曲线并没有确定一个模型最能捕捉病原体-抗菌组合之间的关系。Gompertz 和逻辑模型（而不是之前提出的 Michaelis-Menten 模型）最常拟合。重要的是，MIC 急剧增加后的细菌密度（MIC 推进点密度）和该密度的种内（亚）种范围显然取决于抗菌作用机制。捕获疾病-病原体-抗生素组合的这些依赖关系可以帮助确定细菌密度对于治疗方案设计最有用的 MIC。糖肽（万古霉素）和恶唑烷酮（利奈唑胺）。将六个候选数学模型拟合到 log2(MIC) 与 log10(CFU/mL) 曲线并没有确定一个模型最能捕捉病原体-抗菌组合之间的关系。Gompertz 和逻辑模型（而不是之前提出的 Michaelis-Menten 模型）最常拟合。重要的是，MIC 急剧增加后的细菌密度（MIC 推进点密度）和该密度的种内（亚）种范围显然取决于抗菌作用机制。捕获疾病-病原体-抗生素组合的这些依赖关系可以帮助确定细菌密度对于治疗方案设计最有用的 MIC。log10(CFU/mL) 曲线没有识别出一种模型来最好地捕捉病原体-抗菌组合之间的关系。Gompertz 和逻辑模型（而不是之前提出的 Michaelis-Menten 模型）最常拟合。重要的是，MIC 急剧增加后的细菌密度（MIC 推进点密度）和该密度的种内（亚）种范围显然取决于抗菌作用机制。捕获疾病-病原体-抗生素组合的这些依赖关系可以帮助确定细菌密度对于治疗方案设计最有用的 MIC。log10(CFU/mL) 曲线没有识别出一种模型来最好地捕捉病原体-抗菌组合之间的关系。Gompertz 和逻辑模型（而不是之前提出的 Michaelis-Menten 模型）最常拟合。重要的是，MIC 急剧增加后的细菌密度（MIC 推进点密度）和该密度的种内（亚）种范围显然取决于抗菌作用机制。捕获疾病-病原体-抗生素组合的这些依赖关系可以帮助确定细菌密度对于治疗方案设计最有用的 MIC。Gompertz 和逻辑模型（而不是之前提出的 Michaelis-Menten 模型）最常拟合。重要的是，MIC 急剧增加后的细菌密度（MIC 推进点密度）和该密度的种内（亚）种范围显然取决于抗菌作用机制。捕获疾病-病原体-抗生素组合的这些依赖关系可以帮助确定细菌密度对于治疗方案设计最有用的 MIC。Gompertz 和逻辑模型（而不是之前提出的 Michaelis-Menten 模型）最常拟合。重要的是，MIC 急剧增加后的细菌密度（MIC 推进点密度）和该密度的种内（亚）种范围显然取决于抗菌作用机制。捕获疾病-病原体-抗生素组合的这些依赖关系可以帮助确定细菌密度对于治疗方案设计最有用的 MIC。