早期使用有效的抗菌治疗对于感染的结局和预防治疗耐药性至关重要。抗生素耐药性测试能够选择最佳的抗生素治疗方法，但目前基于培养的技术可能需要72 小时生成结果。

  瑞士一研究团队开发了一种新的机器学习方法，直接从临床分离株的基质辅助激光解吸/电离飞行时间(MALDI-TOF)质谱图谱预测抗菌药物耐药性。他们在一个新创建的公开可用的质谱图谱数据库上训练了校准的分类器，该数据库来自临床上最相关的具有相关抗生素敏感性表型的分离株。该数据集结合了来自四家医疗机构的300000多个质谱和750000多个抗菌药物耐药性表型。对一组临床重要病原体(包括金黄色葡萄球菌、大肠杆菌和肺炎克雷伯菌)进行验证，结果表明，在接收器操作特性曲线下的面积分别为0.80、0.74和0.74，这表明了使用机器学习大大加快抗菌耐药性测定和临床管理变化的潜力。此外，一项对63名患者的回顾性临床病例研究发现，实施这一方法将改变9例患者的临床治疗，这将有利于8例患者(89%)。因此，基于MALDI-TOF质谱的机器学习可能是治疗优化和抗生素管理的重要新工具。

  图1 基于抗生素耐药的MALDI TOF MS预测工作流程[1]

  [1] C. Weis, A. Cuénod, B. Rieck, O. Dubuis, S. Graf, C. Lang, M. Oberle, M. Brackmann, K.K. Søgaard, M. Osthoff, K. Borgwardt, and A. Egli, Direct antimicrobial resistance prediction from clinical MALDI-TOF mass spectra using machine learning. Nature medicine 28 (2022) 164-174.