Antimicrobial resistance (AMR) remains one of the most challenging phenomena of modern medicine. Machine learning (ML) is a subfield of artificial intelligence that focuses on the development of algorithms that learn how to accurately predict outcome variables using large sets of predictor variables that are typically not hand selected and are minimally curated. Models are parameterized using a training dataset and then applied to a test dataset on which predictive performance is evaluated. The application of ML algorithms to the problem of AMR has garnered increasing interest in the past 5 years due to the exponential growth of experimental and clinical data, heavy investment in computational capacity, improvements in algorithm performance and increasing urgency for innovative approaches to reducing the burden of disease. Here, we review the current state of research at the intersection of ML and AMR with an emphasis on three domains of work. The first is the prediction of AMR using genomic data. The second is the use of ML to gain insight into the cellular functions disrupted by antibiotics, which forms the basis for understanding mechanisms of action and developing novel anti-infectives. The third focuses on the application of ML for antimicrobial stewardship using data extracted from the electronic health record. Though the use of ML for understanding, diagnosing, treating and preventing AMR is still in its infancy, the continued growth of data and interest ensures it will become an important tool for future translational research programs.

中文翻译：

---

机器学习在抗菌素耐药性问题中的应用：一种新兴的转化研究模型

抗微生物药物耐药性 (AMR) 仍然是现代医学中最具挑战性的现象之一。机器学习 (ML) 是人工智能的一个子领域，专注于算法的开发，这些算法学习如何使用大量通常不是手工选择且经过最少策划的预测变量来准确预测结果变量。模型使用训练数据集进行参数化，然后应用于评估预测性能的测试数据集。由于实验和临床数据的指数增长、对计算能力的大量投资、算法性能的改进以及对减轻负担的创新方法的日益紧迫，ML 算法在 AMR 问题上的应用在过去 5 年中引起了越来越多的关注的疾病。这里，我们回顾了 ML 和 AMR 交叉领域的研究现状，重点是三个工作领域。第一个是使用基因组数据预测 AMR。第二个是使用 ML 来深入了解抗生素破坏的细胞功能，这是了解作用机制和开发新型抗感染药的基础。第三个重点是使用从电子健康记录中提取的数据，将机器学习应用于抗菌药物管理。尽管使用 ML 来理解、诊断、治疗和预防 AMR 仍处于起步阶段，但数据和兴趣的持续增长确保它将成为未来转化研究计划的重要工具。第一个是使用基因组数据预测 AMR。第二个是使用 ML 来深入了解抗生素破坏的细胞功能，这是了解作用机制和开发新型抗感染药的基础。第三个重点是使用从电子健康记录中提取的数据，将机器学习应用于抗菌药物管理。尽管使用 ML 来理解、诊断、治疗和预防 AMR 仍处于起步阶段，但数据和兴趣的持续增长确保它将成为未来转化研究计划的重要工具。第一个是使用基因组数据预测 AMR。第二个是使用 ML 来深入了解抗生素破坏的细胞功能，这是了解作用机制和开发新型抗感染药的基础。第三个重点是使用从电子健康记录中提取的数据，将机器学习应用于抗菌药物管理。尽管使用 ML 来理解、诊断、治疗和预防 AMR 仍处于起步阶段，但数据和兴趣的持续增长确保它将成为未来转化研究计划的重要工具。第三个重点是使用从电子健康记录中提取的数据，将机器学习应用于抗菌药物管理。尽管使用 ML 来理解、诊断、治疗和预防 AMR 仍处于起步阶段，但数据和兴趣的持续增长确保它将成为未来转化研究计划的重要工具。第三个重点是使用从电子健康记录中提取的数据，将机器学习应用于抗菌药物管理。尽管使用 ML 来理解、诊断、治疗和预防 AMR 仍处于起步阶段，但数据和兴趣的持续增长确保它将成为未来转化研究计划的重要工具。