Nieuw tijdperk in strijd tegen resistente micro-organismen ingeluid door AI

Artificiële Intelligentie (AI) krijgt meer en meer een eigen plek in de hedendaagse geneeskunde. Een minder gekende, maar waardevolle toepassing, vinden we terug in het gevecht tegen de toenemende resistentie van micro-organismen tegen antimicrobiële middelen.

Dr. Patricia De Cock - 4 mei 2026

Antimicrobiële resistentie (AMR) is een probleem dat al lange tijd hoog op de medische agenda staat, maar dat ondanks pogingen om het in te dijken, nog steeds aan het toenemen is. Kan het gebruik van AI het tij doen keren?

Nood aan een nieuwe aanpak

Vandaag sterven er naar schatting jaarlijks 700.000 mensen wereldwijd aan de gevolgen van infecties met resistente micro-organismen. Als de huidige stijgende trend zich voortzet zullen dat er in 2050 jaarlijks tien miljoen zijn. Dit vormt een aanzienlijke bedreiging voor de wereldwijde volksgezondheid, de stabiliteit van de wereldeconomie en het vermogen van gezondheidszorgstelsels om in de toekomst effectieve behandelingen te bieden. Om deze pandemie van AMR te bestrijden is een nieuwe aanpak met integratie van AI nodig.⁽¹⁾

Ondersteunen van gezondheidssystemen

Ten eerste begint de rol van AI bij een van haar unieke kenmerken: op grote schaal data verwerken en analyseren, wat een goed beeld kan geven van de situatie binnen de gezondheidszorgsystemen, de epidemiologie en de kenmerken van de ziektekiemen. Toepassen van AI op een nationaal of regionaal niveau geeft betere inzichten in het gebruik van antibiotica, de geboekte resultaten bij patiënten en de mechanismen van resistentie.

Identificatie van sterkere antimicrobiële moleculen

Op AI-gebaseerde systemen kunnen een cruciale rol spelen bij het selecteren en identificeren van nieuwe antibiotica of antimicrobiële peptiden (AMP’s). AMP’s bieden voordelen ten opzichte van traditionele antibiotica bij de bestrijding van resistente bacteriële infecties en kunnen worden gesynthetiseerd via ribosomale routes, zonder ingewikkelde modificaties na de synthese. Met behulp van AI-modellen wordt het ontwikkelingsproces ingekort en is er een toename van de nauwkeurigheid bij de identificatie van beloftevolle moleculen.

Een van de eerste successen was halicine, dat in 2020 werd ontdekt met behulp van een deep-learningmodel dat voorspelde dat halicine, een molecule oorspronkelijk ontwikkeld voor diabetes, een krachtig antibioticum zou zijn. Experimenten toonden dat het werkzaam was tegen een breed spectrum aan pathogenen, waaronder de multiresistente Acinetobacter baumannii en Clostridium difficile. Rond dezelfde tijd werd met behulp van AI abaucine geïdentificeerd, een zeer selectieve molecule tegen A. baumannii. AI kan dus niet enkel breedspectrum-, maar ook precisie-antibiotica aanleveren.⁽¹⁾

Door gebruik te maken van CLaSS of Conditional Latent (attribute) Space Sampling kunnen op een snelle en efficiënte manier antibiotica geïdentificeerd worden. CLaSS is een techniek binnen machine learning waar door een ‘latente ruimte’ wordt genavigeerd om gegevenspunten (afbeeldingen, moleculen, tekst) te genereren, te bewerken of te testen die voldoen aan specifieke, door de gebruiker vooraf gedefinieerde kenmerken. Het systeem kon zo op korte tijd twee zeer krachtige AMP’s identificeren, synthetiseren en testen tegen diverse grampositieve en gramnegatieve pathogenen, zonder dat het risico op het ontstaan van resistentie toenam.⁽²⁾

Het AMP-Sphere project

AI-modellen werden sindsdien op nog grotere schaal toegepast. De AMP-Sphere is een grootschalige database van antimicrobiële peptiden. In hun natuurlijke omgeving produceren bacteriën AMP's om concurrenten te bestrijden en hun ecologische niche te behouden, waardoor microbiomen in het milieu (bijvoorbeeld in mariene biofilms) belangrijke reservoirs van AMP's vormen. Door de systematische analyse van 63.410 metagenomische datasets en 87.920 microbiële genoomsequenties uit wereldwijd verspreide microbiële kolonies werd de unieke AMP-Sphere-database opgericht.⁽³⁾

De database wordt gebruikt om nieuwe antimicrobiële stoffen te identificeren. Begin 2026 bevatte de database meer dan een miljoen kandidaat-AMP’s waarvan een aanzienlijk aantal zowel in vitro als in dierenmodellen een hoge werkzaamheid tegen resistente pathogenen toonden. In het verlengde hiervan werden met behulp van machine learning twaalf miljoen moleculen getest tegen MRSA en werden enkele daarvan weerhouden die de bacteriële load bij muizen (op de huid en systemisch) met een factor tien verminderden.⁽³⁾

'Om de pandemie van antimicrobiële resistentie te bestrijden is een nieuwe aanpak met integratie van AI nodig.'

Gebruik van AI bij sensibiliteitstesten en diagnostiek

AI-tools kunnen resistente bacteriën snel en nauwkeurig opsporen, waardoor clinici de meest effectieve behandeling kunnen kiezen. Voor een snelle identificatie van pathogenen uit klinische monsters wordt machine learning gecombineerd met genetic sequencing.

Het gebruik van 'machine learning'-algoritmen maakt het mogelijk om patronen van antibioticaresistentie uit het verleden te analyseren om te voorspellen welke ziekten waarschijnlijk goed op bepaalde behandelingen zullen reageren. Dit voorspellend vermogen laat de implementatie toe van meer gerichte en gepersonaliseerde behandelingen, waardoor de behoefte aan breedspectrumantibiotica mogelijk wordt verminderd en daarmee de toename van resistentie wordt vertraagd.⁽¹⁾

Uitdagingen en beperkingen

AI heeft het potentieel om baanbrekende resultaten te boeken in de strijd tegen AMR, maar de toepassing ervan in de gezondheidszorg stuit op belemmeringen. De uitdagingen zijn enerzijds van technische aard (onder meer de integratie van AI in bestaande elektronische medische dossiers), maar vraagt ook een aanpassing van clinici om de besluitvormingsprocessen van AI-systemen te begrijpen en vooral ook te vertrouwen.

Daarnaast is er ook de kwaliteit van de data die niet steeds hoog is en zijn er de privacykwesties (GDPR) die het soms moeilijk maken om gegevens van patiënten in een AI-model op te laden. Vaak zijn er ook inconsistente gegevensbronnen en is er een ondervertegenwoordiging van bepaalde bevolkingsgroepen of situaties wat kan leiden tot modellen die met een onvolledig of vertekend beeld werken.^(1,2)

Toch biedt AI aanzienlijke mogelijkheden om de aanpak van AMR te verbeteren. De medische wereld kan mee zorgen voor oplossingen voor één van de meest urgente gezondheidsuitdagingen van onze tijd, mits de bestaande uitdagingen actief worden aangepakt.

Referenties:  
1. Zubair A, Fazil M, et al. The Role of Machine Learning in Addressing Antibiotic Resistance: A New Era in Infectious Disease Control. Microbiologyopen. 2025 Dec;14(6):e70160. doi: 10.1002/mbo3.70160.  
2. Tran MH, Nguyen NQ, Pham HT. A New Hope in the Fight Against Antimicrobial Resistance with Artificial Intelligence. Infect Drug Resist. 2022 May 26;15:2685-2688. doi: 10.2147/IDR.S362356.  
3. Fan S, Lu J, et al. Unlocking the unexplored AMPSphere in rare marine species. Microbiome. 2026 Feb 23;14(1):100. doi: 10.1186/s40168-025-02326-0. PMID: 41731616; PMCID: PMC13036921.