Con case 5 millóns de mortes anuais relacionadas coa resistencia antimicrobiana (RAM) no mundo, a Organización Mundial da Saúde (OMS) declarou que esta é unha das principais ameazas para a saúde pública global.
En resposta a esta ameaza, dous especialistas en infectioloxía dos Hospitais Universitarios de Xenebra (Hôpitaux Universitaires de Genève) desenvolveron unha aplicación de código aberto para combater a resistencia antimicrobiana optimizando o uso de antibióticos e mellorando a identificación de eventos de desescalada antimicrobiana (ADE, polas súas siglas en inglés).
A alta taxa de mortalidade asociada á RAM explícase principalmente polo uso indebido e excesivo de antimicrobianos, tanto nos humanos como no ecosistema en xeral.
Para facilitar a avaliación e clasificación dos espectros de antibióticos, o Dr. Mikael de Lorenzi-Tognon, especialista en enfermidades infecciosas dos Hospitais Universitarios de Xenebra e investigador posdoutoral na Universidade de California en San Francisco, xunto co profesor Jacques Schrenzel, cofundador do Centro de Excelencia en Bacterioloxía da Universidade de Xenebra, lanzaron S³ en abril de 2024. S³ significa “Simplified Spectrum Score” (Puntuación de Espectro Simplificada).
S³ ten como obxectivo facilitar os procesos de desescalada antimicrobiana / antibiótica (ADE). Estes procesos consisten en substituír un antibiótico de amplo espectro por outro de espectro reducido. Porén, clasificar correctamente os espectros dos antibióticos para calcular as ADE é un proceso complexo que require cálculos manuais e a miúdo baséase en criterios subxectivos.
Para simplificar estes cálculos e clasificacións, S³ utiliza un algoritmo que permite puntuar e clasificar os espectros dos antibióticos. Na práctica, esta aplicación pode ser empregada por profesionais sanitarios para seleccionar mellor os microorganismos obxectivo ao prescribir antibióticos. A aplicación foi desenvolvida empregando datos do Comité Europeo para as Probas de Sensibilidade Antimicrobiana (EUCAST), cubrindo 63 antibióticos e 837 microorganismos.
O código fonte foi publicado en GitHub e o artigo de investigación asociado foi publicado baixo unha licenza Creative Commons.
