Wanneer een bacterie resistent wordt tegen \u00e9\u00e9n antibioticum, kan dat er soms juist voor zorgen dat ze gevoeliger wordt voor een ander middel. Dat biologische bijeffect biedt een onverwachte kans in de strijd tegen antibioticaresistentie.<\/p>\n
\u2018Het idee is dat we dit verschijnsel kunnen benutten om betere doseerschema\u2019s te ontwikkelen voor hardnekkige infecties\u2019, legt onderzoeker Coen van Hasselt uit. \u2018Door slim te wisselen tussen antibiotica of ze te combineren, kun je dankzij dit biologische bijeffect, de zogeheten collaterale gevoeligheid, de kans verkleinen dat bacteri\u00ebn resistent worden \u2013 en zo voorkomen dat een behandeling niet aanslaat.\u2019<\/p>\n
Van laboratorium naar klinische data: hoe onderzoekers antibiotica en bacteri\u00ebn in kaart brachten<\/p>\n
Het fenomeen is al langer bekend uit laboratoriumonderzoek, maar tot nu toe is er weinig klinisch onderzoek naar gedaan. \u2018Veel studies zijn gedaan met bacteri\u00ebn die in het lab gekweekt worden\u2019, zegt Van Hasselt. \u2018Die verschillen sterk van de bacteri\u00ebn die je in pati\u00ebnten aantreft.\u2019 Daarom stelde het Leidse team een fundamentele vraag: zien we deze effecten ook terug in echte ziekteverwekkers uit pati\u00ebnten? Promovendus Sebastian Tandar werkt het uit tijdens zijn promotieonderzoek.<\/p>\n
Wat honderdduizenden stammen van bacteri\u00ebn vertellen over antibioticaresistentie<\/p>\n
Het RIVM verzamelt sinds 2008 gegevens over bacteri\u00ebn die vaak infecties veroorzaken, zoals E. coli, S. aureus en S. pneumoniae. Die gegevens komen uit vrijwel elk Nederlands medisch-microbiologisch laboratorium. De Leidse onderzoekers werkten voor deze studie dan ook samen met het Centrum Epidemiologie en Surveillance van Infectieziekten van het RIVM, dat gegevens aanleverde uit het Infectieziekten Surveillance Informatie Systeem \u2013 Antibioticaresistentie (ISIS-AR).<\/p>\n
\u2018We kunnen trends in resistentie volgen en nieuwe vormen signaleren.\u2019<\/p>\n
De database bevat testresultaten van monsters uit alle lagen van de gezondheidszorg \u2013 van huisartsen tot academische ziekenhuizen \u2013 en uit allerlei lichaamsmateriaal. Zo ontstaat een volledig beeld van hoe gevoelig verschillende bacteri\u00ebn zijn voor uiteenlopende antibiotica. Annelot Schoffelen van het RIVM was betrokken bij de studie: \u2018Doordat deze gegevens jarenlang op dezelfde manier worden verzameld, kunnen we trends in resistentie volgen en nieuwe vormen signaleren.\u2019<\/p>\n
\u2018We hebben de RIVM-data gecombineerd met een internationale dataset,\u2019 vertelt Van Hasselt. Met een statistische methode van Laura Zwep (LACDR) analyseerden de onderzoekers data van honderdduizenden bacteriestammen om patronen te vinden waarin resistentie tegen het ene middel samengaat met verhoogde gevoeligheid voor een ander.<\/p>\n
\u00a0<\/p>\n
\u2018Deze studie is een goede aanzet om de hypothese van collaterale gevoeligheid verder te onderzoeken.\u2019<\/p>\n
Kunnen nieuwe antibiotica\u00accombinaties resistentie afremmen?<\/p>\n
De analyse leverde een veelbelovend beeld op: sommige combinaties kwamen in verschillende bacteriesoorten terug, wat wijst op een breed toepasbaar effect. \u2018Een aantal combinaties was eerder in het lab gezien, maar we vonden ook nieuwe paren,\u2019 zegt Van Hasselt.<\/p>\n
Om de resultaten toegankelijk te maken, ontwikkelde het team een webapplicatie zodat onderzoekers zelf in de data kunnen duiken. Het RIVM leverde niet alleen de data, maar hielp ook bij de interpretatie en de mogelijke klinische betekenis. Schoffelen: \u2018Deze studie is een goede aanzet om de hypothese van collaterale gevoeligheid verder te onderzoeken.\u2019<\/p>\n
Van patroon naar praktijk: wat deze inzichten kunnen betekenen voor behandelingen<\/p>\n
Het RIVM benadrukt het belang van dit soort onderzoek in de wereldwijde strijd tegen antibioticaresistentie. \u2018In Nederland is het probleem dankzij infectiepreventie en beleid nog relatief beperkt,\u2019 zegt het instituut. \u2018Maar bepaalde vormen van resistentie nemen langzaam toe, en er vindt import plaats van moeilijk te behandelen bacteri\u00ebn. Daarom is onderzoek naar nieuwe behandelstrategie\u00ebn cruciaal.\u2019<\/p>\n
\u00a0<\/p>\n
\u2018Vaak werk je van lab naar pati\u00ebnt. Dit keer gingen we juist de andere kant op \u2013 en dat bleek verrassend vruchtbaar.\u2019<\/p>\n
De volgende stap is om te onderzoeken hoe zulke combinaties in de praktijk kunnen worden toegepast. \u2018We werken met computermodellen en infectiemodellen in het lab om te begrijpen hoe we doseringen kunnen afstemmen\u2019, zegt Van Hasselt. \u2018Uiteindelijk willen we weten of we hiermee resistentie bij pati\u00ebnten echt kunnen vertragen.\u2019<\/p>\n
Het onderzoek, dat recent is gepubliceerd<\/a>, laat zien dat pati\u00ebntendata niet alleen geschikt zijn om resistentie te volgen, maar ook om nieuwe behandelstrategie\u00ebn te vinden. \u2018Vaak werk je van lab naar pati\u00ebnt\u2019, besluit Van Hasselt. \u2018Dit keer gingen we juist de andere kant op \u2013 en dat bleek verrassend vruchtbaar.\u2019<\/p>\n Delen op Facebook<\/a>
\nDelen via Bluesky<\/a>
\nDelen op LinkedIn<\/a>
\nDelen via WhatsApp<\/a>
\nDelen via Mastodon<\/a><\/p>\n