Slimme combinaties van antibiotica kunnen resistentie vertragen
Wanneer een bacterie resistent wordt tegen één 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.
‘Het idee is dat we dit verschijnsel kunnen benutten om betere doseerschema’s te ontwikkelen voor hardnekkige infecties’, legt onderzoeker Coen van Hasselt uit. ‘Door slim te wisselen tussen antibiotica of ze te combineren, kun je dankzij dit biologische bijeffect, de zogeheten collaterale gevoeligheid, de kans verkleinen dat bacteriën resistent worden – en zo voorkomen dat een behandeling niet aanslaat.’
Van laboratorium naar klinische data: hoe onderzoekers antibiotica en bacteriën in kaart brachten
Het fenomeen is al langer bekend uit laboratoriumonderzoek, maar tot nu toe is er weinig klinisch onderzoek naar gedaan. ‘Veel studies zijn gedaan met bacteriën die in het lab gekweekt worden’, zegt Van Hasselt. ‘Die verschillen sterk van de bacteriën die je in patiënten aantreft.’ Daarom stelde het Leidse team een fundamentele vraag: zien we deze effecten ook terug in echte ziekteverwekkers uit patiënten? Promovendus Sebastian Tandar werkt het uit tijdens zijn promotieonderzoek.
Wat honderdduizenden stammen van bacteriën vertellen over antibioticaresistentie
Het RIVM verzamelt sinds 2008 gegevens over bacteriën 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 – Antibioticaresistentie (ISIS-AR).
‘We kunnen trends in resistentie volgen en nieuwe vormen signaleren.’
De database bevat testresultaten van monsters uit alle lagen van de gezondheidszorg – van huisartsen tot academische ziekenhuizen – en uit allerlei lichaamsmateriaal. Zo ontstaat een volledig beeld van hoe gevoelig verschillende bacteriën zijn voor uiteenlopende antibiotica. Annelot Schoffelen van het RIVM was betrokken bij de studie: ‘Doordat deze gegevens jarenlang op dezelfde manier worden verzameld, kunnen we trends in resistentie volgen en nieuwe vormen signaleren.’
‘We hebben de RIVM-data gecombineerd met een internationale dataset,’ 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.
‘Deze studie is een goede aanzet om de hypothese van collaterale gevoeligheid verder te onderzoeken.’
Kunnen nieuwe antibiotica¬combinaties resistentie afremmen?
De analyse leverde een veelbelovend beeld op: sommige combinaties kwamen in verschillende bacteriesoorten terug, wat wijst op een breed toepasbaar effect. ‘Een aantal combinaties was eerder in het lab gezien, maar we vonden ook nieuwe paren,’ zegt Van Hasselt.
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: ‘Deze studie is een goede aanzet om de hypothese van collaterale gevoeligheid verder te onderzoeken.’
Van patroon naar praktijk: wat deze inzichten kunnen betekenen voor behandelingen
Het RIVM benadrukt het belang van dit soort onderzoek in de wereldwijde strijd tegen antibioticaresistentie. ‘In Nederland is het probleem dankzij infectiepreventie en beleid nog relatief beperkt,’ zegt het instituut. ‘Maar bepaalde vormen van resistentie nemen langzaam toe, en er vindt import plaats van moeilijk te behandelen bacteriën. Daarom is onderzoek naar nieuwe behandelstrategieën cruciaal.’
‘Vaak werk je van lab naar patiënt. Dit keer gingen we juist de andere kant op – en dat bleek verrassend vruchtbaar.’
De volgende stap is om te onderzoeken hoe zulke combinaties in de praktijk kunnen worden toegepast. ‘We werken met computermodellen en infectiemodellen in het lab om te begrijpen hoe we doseringen kunnen afstemmen’, zegt Van Hasselt. ‘Uiteindelijk willen we weten of we hiermee resistentie bij patiënten echt kunnen vertragen.’
Het onderzoek, dat recent is gepubliceerd [link], laat zien dat patiëntendata niet alleen geschikt zijn om resistentie te volgen, maar ook om nieuwe behandelstrategieën te vinden. ‘Vaak werk je van lab naar patiënt’, besluit Van Hasselt. ‘Dit keer gingen we juist de andere kant op – en dat bleek verrassend vruchtbaar.’