DerSimonian-Laird random-effects · 53 études simulées · 72 958 patients simulés · 2015–2026
Forest Plot — Efficacité poolée (95% CI)
| Stratégie | Efficacité poolée | IC 95% | I² | Études | Résistance | Mortalité ↓ |
|---|---|---|---|---|---|---|
| Synergie Combinée | 80.8% | [75.7% – 85.1%] | 96.9% | 8 | 7.0% | 37.2% |
| Phage Therapy | 70.6% | [65.6% – 75.2%] | 95.8% | 8 | 7.2% | 32.9% |
| Peptides Antimicrobiens | 70.2% | [65.4% – 74.5%] | 97.7% | 12 | 4.3% | 34.8% |
| Molécules AI de novo | 66.3% | [61.8% – 70.5%] | 97.6% | 13 | 3.5% | 33.2% |
| CRISPR Antimicrobial | 61.6% | [56.4% – 66.6%] | 97.7% | 12 | 2.1% | 28.7% |
Note : I² élevé attendu (hétérogénéité inter-études cliniquement significative)
Top molécules candidates (simulées) par Exception Score — base de 33 molécules
| # | Molécule | Classe | Exception Score | Activité | Anti-résistance | Cibles |
|---|---|---|---|---|---|---|
| 1 | MIT-AMR-7 | AI Scaffold | 0.815 | 0.957 | 0.959 | E. coli ESBL · K. pneumoniae KPC · S. aureus MRSA |
| 2 | Ply500-R | Phage | 0.800 | 0.936 | 0.990 | E. faecium VRE |
| 3 | Magainin-Syn3 | AMP | 0.767 | 0.942 | 0.804 | S. aureus MRSA · A. baumannii XDR · K. pneumoniae KPC |
| 4 | Abaucin-Neo | AI Scaffold | 0.763 | 0.951 | 0.844 | E. coli ESBL · A. baumannii XDR |
| 5 | Defensin-β4 | AMP | 0.749 | 0.923 | 0.936 | E. coli ESBL |
| 6 | DeepAntibio-3 | AI Scaffold | 0.744 | 0.771 | 0.701 | K. pneumoniae KPC · P. aeruginosa MDR |
| 7 | Daptomycin-R3 | Lipopeptide | 0.743 | 0.759 | 0.857 | E. faecium VRE · S. aureus MRSA |
| 8 | Friulimicin-B2 | Lipopeptide | 0.726 | 0.862 | 0.925 | P. aeruginosa MDR · S. aureus MRSA · E. coli ESBL |
| 9 | Cefiderocol-X2 | Siderophore | 0.725 | 0.838 | 0.888 | S. aureus MRSA · K. pneumoniae KPC · E. coli ESBL |
| 10 | Halicin-2.0 | AI Scaffold | 0.714 | 0.953 | 0.816 | A. baumannii XDR · E. faecium VRE · S. aureus MRSA |
Exception Score = 0.35×Nouveauté + 0.30×Anti-résistance + 0.20×Activité + 0.15×(1-Toxicité) · Seuil exceptionnel : ≥0.75
AMR-AI
Sélectionnez un mode et lancez l'analyse
AMR-AI (Antimicrobial Resistance AI) est un agent conversationnel (Claude, Anthropic) d'aide à la décision thérapeutique face aux bactéries résistantes aux antibiotiques. Vous décrivez le cas en texte libre — pathogène identifié, résultats d'antibiogramme (S/I/R), site infectieux, contexte patient — et l'agent propose une recommandation structurée basée sur son raisonnement clinique.
Avant de se prononcer sur une résistance probable, l'agent vérifie une table réelle et vérifiable de résistances intrinsèques (EUCAST Expert Rules) pour les pathogènes ESKAPE couverts, plutôt que de répondre uniquement de mémoire. Il n'effectue pas de détection automatique de gènes à partir d'un séquençage ou d'un fichier d'antibiogramme importé : c'est vous qui décrivez le résultat clinique, en texte.
Destiné aux infectiologues, microbiologistes médicaux, réanimateurs, urgentistes et médecins prenant en charge des infections sévères à bactéries multirésistantes (BMR) ou hautement résistantes (BHRe) — en complément de l'antibiogramme réel du patient et de l'avis spécialisé, pas en remplacement.
Décrivez en texte libre les résultats de l'antibiogramme (liste des antibiotiques avec sensibilité S/I/R), le germe identifié, le site infectieux et les données patient (allergies, fonction rénale). L'agent discute les phénotypes de résistance plausibles et propose une antibiothérapie à but indicatif.
Oui, l'agent peut discuter des situations impliquant MRSA, E-BLSE, entérobactéries productrices de carbapénémases (EPC), Acinetobacter baumannii résistant et Pseudomonas aeruginosa multirésistant — avec vérification EUCAST des résistances intrinsèques connues pour ces pathogènes.
L'agent s'appuie sur les référentiels ESCMID, SPILF et HCSP connus du modèle, ainsi que sur une table EUCAST vérifiable pour les résistances intrinsèques. Ces référentiels évoluent : toute recommandation doit être confirmée contre la version en vigueur et l'antibiogramme réel du patient avant application clinique.