擊敗感染性病原體 — 14

所有這些臨床試驗都使用天然噬菌體，但下一階段已開始採用多噬菌體混合物、噬菌體基因組工程和合成噬菌體。雖然我強調利用噬菌體克服微生物抗藥性，但噬菌體在非感染性疾病中也有許多潛在應用。例如用噬菌體治療炎症性腸病中的肺炎克雷伯菌或大腸桿菌、酒精性肝炎中的糞腸球菌，調控腸道微生物群以改善結腸癌免疫療法，以及作為遞送藥物或疫苗的載體。成功利用噬菌體遞送CRISPR基因編輯器改變小鼠腸道微生物群中大腸桿菌和肺炎克雷伯菌的序列，為噬菌體未來應用及另一種克服抗微生物抗藥性的方法帶來良好前景。

敗血症是對某些感染的極端反應，有時因抗微生物抗藥性而致死，但大多數治療失敗是因為診斷錯過或醫療照護不理想。全球每年約有5,000萬病例和1,100萬死亡，美國則有35萬死亡，這種危及生命、導致器官功能障礙的綜合症是美國醫院第三大死因。科技能否助一臂之力？美國廣泛採用一款人工智能工具來預測敗血症風險，但後續評估顯示其表現不佳，原因歸咎於資料集轉移現象，即模型開發所用資料集與部署時資料集不匹配。自2021年診斷出此失敗後，人工智能在敗血症檢測方面已有改進，顯著縮短抗生素治療啟動時間，且醫生及時回應警報時死亡率降低了18%。2024年，美國食品藥品監督管理局批准了Presnosis首款預測敗血症風險的人工智能模型，該模型利用22項臨床和實驗室參數，預測患者在24小時內發展敗血症的可能性。

兩款大型語言模型人工智能（GPT-4和Mistral）促進了對中心靜脈導管或尿管引起的院內感染的準確及及時檢測。用於診斷或區分高風險敗血症患者的生物標誌物和全血基因表達也在驗證中，這些將補充現有整合患者電子健康紀錄、實驗室數據和生命徵象的算法。可以說，我們在降低敗血症的發病率和死亡率方面仍有很長的路要走，但人工智能和組學技術可能會有所助益。還有另一種鮮少使用但可能因最新技術而帶來重大改變的策略——對血液或體液進行測序。