Dlaczego modele matematyczne nie nadążają za kryzysem oporności na antybiotyki? Naukowcy wskazują kluczowe luki w badaniach

Oporność drobnoustrojów na środki przeciwdrobnoustrojowe (antimicrobial resistance – AMR) stanowi jedno z najpoważniejszych zagrożeń dla zdrowia publicznego w XXI wieku. Problem ten obejmuje nie tylko zdrowie ludzi, lecz także zdrowie zwierząt, bezpieczeństwo żywności oraz funkcjonowanie ekosystemów. Międzynarodowy zespół badaczy z renomowanych ośrodków naukowych – m.in. University of Edinburgh, London School of Hygiene and Tropical Medicine, North Carolina State University oraz International Centre for Antimicrobial Resistance Solutions – wskazuje jednak, że obecne podejścia do modelowania matematycznego AMR są niewystarczające, aby skutecznie wspierać decyzje polityczne i strategie zdrowia publicznego.

W analizie opublikowanej w czasopiśmie Science in One Health autorzy podkreślają, że głównymi barierami są ograniczenia danych epidemiologicznych, niepełne zrozumienie relacji między stosowaniem antybiotyków a rozwojem oporności oraz brak międzynarodowych mechanizmów koordynacji badań porównywalnych z tymi, które funkcjonują w nauce o zmianach klimatu. Naukowcy postulują rozwój zintegrowanej, interdyscyplinarnej architektury modelowania, która mogłaby połączyć dane z różnych sektorów w ramach koncepcji One Health.

AMR jako złożony problem systemowy

Pomimo rosnącej liczby dowodów na poważne skutki zdrowotne i ekonomiczne związane z opornością na antybiotyki, problem ten wciąż nie uzyskuje odpowiedniej uwagi decydentów politycznych. W przeciwieństwie do ostrych kryzysów zdrowotnych, takich jak pandemie wirusowe, konsekwencje AMR narastają powoli i pozostają w dużej mierze niewidoczne.

Dodatkową trudnością jest ogromna różnorodność zjawiska. Oporność nie jest związana z jednym patogenem czy jednym mechanizmem biologicznym. W rzeczywistości obejmuje liczne kombinacje określane jako „bug–drug–context”, czyli zależności między drobnoustrojem, stosowanym lekiem a kontekstem środowiskowym i klinicznym. Tak wysoki poziom heterogeniczności utrudnia komunikację naukową oraz projektowanie skutecznych strategii zdrowotnych.

Istotną barierą jest również asymetria pomiędzy kosztami a korzyściami interwencji. Ograniczenie stosowania antybiotyków (AMU – antimicrobial use) stanowi podstawę polityki walki z AMR, jednak globalne szacunki dotyczące AMU opierają się często na wielopoziomowych modelach wnioskowania i niepełnych danych bazowych. Co więcej, relacja między AMU a AMR pozostaje słabo poznana w odniesieniu do różnych kombinacji patogen–lek.

Na rozwój oporności wpływają nie tylko antybiotyki. Istotną rolę odgrywają również procesy ko-selekcji związane z obecnością biocydów, metali ciężkich oraz czynników środowiskowych. Nadal nie ma też jednoznacznej odpowiedzi na pytanie, w jakim stopniu stosowanie antybiotyków w hodowli zwierząt i akwakulturze przyczynia się do wzrostu oporności u ludzi. Tymczasem sektory środowiskowe, które mogą odgrywać kluczową rolę w transmisji oporności, są często pomijane w analizach.

Krytyczne braki w istniejących modelach

Badacze przeanalizowali 273 modele matematyczne opisujące dynamikę AMR na poziomie populacyjnym. Wyniki tej analizy ujawniły znaczące luki metodologiczne.

• 89% modeli uwzględniało wyłącznie populację ludzką
• 7% obejmowało zwierzęta
• 2% uwzględniało rośliny
• 0% integrowało jednocześnie wszystkie trzy sektory

Oznacza to, że większość obecnych modeli nie odzwierciedla rzeczywistej złożoności systemu One Health.

Dodatkowo jedynie 9% modeli zawierało analizę kosztów i korzyści ekonomicznych, która jest kluczowa dla podejmowania decyzji politycznych. Kolejnym problemem jest brak analizy niepewności – aż 40% modeli nie uwzględniało analizy wrażliwości ani niepewności parametrów.

Co szczególnie niepokojące, żaden z analizowanych modeli nie spełniał wytycznych TRACE (Transparent and Comprehensive Model Evaluation) dotyczących transparentności i oceny modeli matematycznych, które zostały opracowane już w 2010 roku.

Problem hierarchii modeli

Modele matematyczne można klasyfikować w hierarchicznej strukturze – od modeli czysto teoretycznych, poprzez modele dopasowane do danych (z walidacją wewnętrzną), aż do modeli z walidacją zewnętrzną i porównań między różnymi modelami.

W przypadku badań nad AMR większość prac pozostaje na najniższych poziomach tej hierarchii. Modele rzadko przechodzą proces zewnętrznej walidacji z wykorzystaniem niezależnych zbiorów danych, głównie z powodu ograniczonej dostępności takich danych.

Jeszcze wyższym poziomem są porównania wielu modeli (multi-model comparisons), które odegrały ogromną rolę podczas pandemii COVID-19. W kontekście AMR ich zastosowanie jest obecnie praktycznie niemożliwe ze względu na dużą heterogeniczność dostępnych modeli oraz brak wspólnych standardów.

Lekcje płynące z badań nad zmianami klimatu

Autorzy pracy sugerują, że walka z opornością na antybiotyki powinna czerpać inspirację z metodologii stosowanych w badaniach nad zmianami klimatu. Jednym z kluczowych elementów tego podejścia jest traktowanie AMR jako formy zanieczyszczenia środowiska, a nie wyłącznie problemu medycznego.

W nauce o klimacie opracowano m.in.:

• krzywe kosztów redukcji emisji (abatement cost curves) wspierające decyzje polityczne,
• wskaźnik „social cost of carbon”, umożliwiający ocenę ekonomicznych skutków emisji CO₂,
• globalną strukturę koordynacyjną w postaci Intergovernmental Panel on Climate Change (IPCC).

W przypadku AMR podobna infrastruktura analityczna w zasadzie nie istnieje. Wiele decyzji politycznych dotyczących ograniczania stosowania antybiotyków podejmowanych jest bez rzetelnej oceny efektywności ekonomicznej. Nawet w przypadku dobrze znanych interwencji związanych z redukcją AMU nie jest jasne, które strategie są najbardziej opłacalne w różnych warunkach systemowych.

Największą luką pozostaje brak spójnej, zintegrowanej architektury modelowania, która umożliwiałaby ocenę kosztów i korzyści działań na poziomie krajowym i globalnym. Naukowcy wskazują, że stworzenie takiego systemu mogłoby stać się zadaniem Independent Panel on Evidence for Action against Antimicrobial Resistance (IPEA), którego powołanie jest obecnie negocjowane przez UN Quadripartite Group on AMR.

Kierunki dalszych działań

Zdaniem autorów konieczne jest zacieśnienie współpracy międzynarodowej oraz integracja wiedzy z wielu dziedzin – od epidemiologii i biologii molekularnej po ekonomię zdrowia i nauki o środowisku.

Jednym z najważniejszych wyzwań pozostaje harmonizacja danych dotyczących oporności. Dane te są generowane różnymi metodami, obejmującymi:

• analizy fenotypowe,
• badania genetyczne,
• sekwencjonowanie całogenomowe,
• metagenomikę środowiskową.

Struktura obecnych programów nadzoru epidemiologicznego powoduje jednak silną nadreprezentację próbek klinicznych z zakażeń u ludzi, podczas gdy dane środowiskowe są bardzo ograniczone.

Jedną z proponowanych strategii jest rozwój cyfrowych platform nadzoru One Health, które mogłyby zwiększyć efektywność systemów monitorowania. Równie istotna jest transparentność badań – publikacje naukowe powinny zapewniać dostęp do danych i kodów źródłowych modeli, aby umożliwić ich replikację i rozwój.

Oporność na środki przeciwdrobnoustrojowe bywa określana mianem „w dużej mierze niewidzialnej pandemii”, której skutki narastają stopniowo, lecz mają potencjalnie katastrofalne konsekwencje dla zdrowia globalnego.

Autorzy pracy podkreślają, że modelowanie AMR znajduje się wciąż na wczesnym etapie rozwoju, a luki w wiedzy i danych znacząco ograniczają możliwość formułowania przekonujących rekomendacji politycznych. W rezultacie problem nie mobilizuje wystarczającej uwagi decydentów ani odpowiednich zasobów finansowych.

Zdaniem badaczy jedynie skoordynowany, interdyscyplinarny wysiłek naukowy w zakresie modelowania może dostarczyć wystarczająco silnych dowodów, aby zbudować globalną wolę polityczną potrzebną do skutecznego zarządzania kryzysem AMR – jednym z najważniejszych wyzwań zdrowia planetarnego.

Źródło: Science in One Health, One Health antimicrobial resistance modelling: from science to policy
DOI: http://dx.doi.org/10.1016/j.soh.2026.100146