Antibiotikaresistenz

18. Dezember 2025

Datenverzerrung verringert Zuverlässigkeit von KI-Vorhersagemodellen

Die meisten klassischen Methoden des maschinellen Lernens – Technologien, die aus Daten lernen und ohne explizite Programmierung selbstständig Muster erkennen – erfordern, dass die Trainingsdaten unabhängig und identisch verteilt sind. Das ist bei Bakterienproben allerdings nicht der Fall: Eng verwandte Bakterien weisen viele gemeinsame Merkmale auf.  Während einer Epidemie setzen sich „erfolgreiche” Erregervarianten schnell durch. 
Dies kann den Anschein erwecken, dass bestimmte genetische Merkmale direkt mit einer Resistenz zusammenhängen, obwohl sie in Wirklichkeit nur aufgrund der Verwandtschaft der Erreger gemeinsam auftreten. Die Algorithmen lernen folglich, verwandte Stämme vorherzusagen, anstatt die Resistenz selbst. 

Yu Y, Wheeler NE, Barquist L
Biased sampling driven by bacterial population structure confounds machine learning prediction of antimicrobial resistance 
PLOS Biology (2025), DOI: 10.1371/journal.pbio.3003539
https://doi.org/10.1371/journal.pbio.3003539



DAIG LogoDGI LogoDSTIG LogoPEG Logo

Meldungen

Ältere Meldungen weiter

Diese Website bietet aktuelle Informationen zu HIV/Aids sowie zur HIV/HCV-Koinfektion. Im Mittelpunkt stehen HIV-Test, Symptome und Auswirkungen der HIV-Infektion, Behandlung der HIV-Infektion, HIV-Medikamente mit Nebenwirkungen und Komplikationen, Aids, Hepatitis B und C. Ein Verzeichnis der Ärzte mit Schwerpunkt HIV ergänzt das Angebot.