 Ik ben de Engels van de Nederlands, en ik ga over de verkeerbare en verkeerbare resistentieanalysie om de AMR package voor R te gebruiken. Ik heb geen conflict van interesse om te beklagen. Dus ik wilde beginnen met een kort introductie op ons werkfield. We zijn van de Universiteit Groningen. En als medicinaal researcher werken we ook op de Universiteit Medical Center. En we focussen op een epidemiologische en data-scientific research op nieuwe methoden. Het is belangrijk om een beetje van medicinaal microbiologie te introduceren. Dus als je ervoor begint, dan krijg je infectieze diseases. Er zijn miljoen per jaar gekregen. In de USA alleen. Ik kijk naar Dope. Er zijn er around 160.000 mensen per jaar. Veel infectieze diseases zijn door bacteria. Gelukkig kan een bacteriën verkeerd worden. Of er in de groep is van enthobiotics. Maar zoals je weet zijn bacteriën smarter dan wij. Ze kunnen verkeerd worden. Bacteriën zijn er ook wel op hun eigenaar. Ze zijn verschillend. Dus de soorten bacteriën gebeuren in verschillende plekken in de wereld. En er zijn ook verschillende resisties tussen landen. En tussen de landen en de landen. En misschien zelfs meer details. Geografische regiën. Dat is ook belangrijk om te weten. Want dokterstreet patiënts, voor de redenen, zullen wel eens weten welke bacteriën verkeerd worden. Zodat de landen testen. En ze zullen ook wel eens weten. Waarin enthobiotics goed werken op de specifiek bacteriën verkeerd worden. Zodat de landen testen. Hoe kunnen we dokterstreet patiënts helpen, zonder dit te weten? Ze moeten vragen. Ik denk dat we de data-scientisten weten. En laten ze zien wat dit presentatie is. Een ander belangrijk ding is taxonomie. Ik denk dat de meeste mensen de taxonomie weten. Hier is een voorbeeld van de verschillende taxonomische levelen. Dus van de wereld naar de specifiek. Er is ook iets tussen. Maar deze zijn de belangrijkste voor nu. En hier zie je een voorbeeld voor mensen. We zijn dezelfde homo sapiens. Genus homo. En we gaan naar de wereld van Animalia. Als we kijken naar E. coli, bijvoorbeeld. Een bacterium. Dan zie je dat het een deel van de wereld van bacteriën is. En hier zijn alle verschillende levels. Totdat we naar de genus-level. Voor Ascorica. En de specifiek level coliën. Taxonomie is belangrijk. Omdat we het nodig hebben om de ontwikkeling van resistentie te ontwikkelen. De probleem voor dokterstreet en enthobiotica is altijd te ontwikkelen zo specifiek als mogelijk. Want sommige enthobiotica's werken hier. Ze zijn een brots spectrum. Dat is eigenlijk de slechte keuze. Maar soms hebben ze geen keuze. Maar sommige enthobiotica's werken hier. Dat is al beter. En sommige werken hier. Dat zou de beste keuze zijn. Dus hoe weet je welke enthobiotica's je te geven. Als je de bacteriën niet weet. Of misschien niet de bacteriën. Maar je wilt het weten op een genuwe level voor je wereld. Of voor je hospital. Of voor je region. Dus wat moeten ze hebben? Of niet. En met ze, ik bedoel. De mensen die je data analyseren. Zij zijn de scientisten of epidemiologisten. Wanneer ze goed vragen moeten hebben. En ze moeten worden gevraagd door andere dokterstreeten. Waarschijnlijk. Wat druggen werken goed in mijn hospital. Voor enthobiotica's. Wat druggen werken goed in mijn hospital. Als je niet weet van de bacteriële naam. Ze moeten natuurlijk ook ervaren. Het zijn twin magicenten en metetas. Hoe moet ik de patiënt episode define? Als je je in februari krijgt. En je krijgt een in oktober. Dat is twee verschillende episode's. Dan moet het twee andere patiënt episode's trimmen. Ze moeten ook kunnen selecten en basisisolaken. Doe een anal �ze bestemming. Als ik met voorblok op een bacteriële in mijn blad. Ik heb een systemische effectie. En die heb ik. In mijn bloed heb ik een systemische effectie en mijn bloed wordt 5 keer per week gegaan. Dan heb ik dezelfde 5 isolaties op de leverantie en de resultaten in mijn leverantie data. En je wil dat absoluut correct worden, want je wil niet duplicatie hebben in je data. Het is hard te duplicatie, dus hoe doe je dat? En je moet een relabel referentie data hebben om vragen te kunnen vragen zoals welke antibiotics of glycopeptides. Het is een groep van antibiotics. Soms is het belangrijk. Als iemand vraagt, ik zou willen weten hoe glycopeptides werken, of wat de succesrate is. Als ik dat zou spreken, zou je het kunnen vragen. En je moet ook details hebben over microbial taxonomy, zoals ik zei. Als je niet weet, de oude familie of de genies van deze soorten je hebt, dan is het hard te strategiseren based op die data. En guidelines, natuurlijk, voor het determineren en analyseren van antimacrobial resistentie. Daar zijn guidelines available, maar er is geen software die dit kan gebruiken. Of alstubelig niet. Dus hier presenteren we AMA, de AMA package for R. Het enable standardiseerd en absoluut reproduciële antimacrobial resistentie analyses. En het enable applicatie van afhankelijkbare methoden voor het kleding en analysering data van laboratories en hospitals. Je kunt ook het integreren in de internationale werkelijken, zoals die van de WHO of EASnet, die voor de Europese antimacrobial resistentie-serveiënsnetwerk. En het is helemaal independant van elke laboratory-informatie systeem. Aanzijds dat, is het natuurlijk vrije in de arbeidssauce. Het is op date en langzaam gevolgd, voor de microbial taxonomy en de guidelines. We kunnen dat nog eens proberen. Het is ook independant van elke R-package. Het is niet de import van elke R-package, maar het werkt heel goed bij het TIDI-vers. Ik krijg het uit en het is stabiel en snel. Dus we hebben informatie over bugs, taxonomische data, van de Catalog of Life, die een heel autoritief systeem is voor taxonomy. En we hebben alle details van de taxonomy van de kingdom-to-subspecies, including Gramstein. We hebben ook informatie over drugs, pharmaceutical data, like ADC codes, official names, official groups, antibiotics, antimicrotex en antivirals. Antimicrotex is voor treatment against fungi. En we hebben ook 5.000 brandnames en DDDs, die voor de fijne dagelijks doos zijn. En we hebben de package om de laboratory-output en de methoden, als je werkt in infectious diseases, dat maakt het echt niet, maar ik denk dat ik het nu zal kippen. We zijn heel blij dat het over 35.000 keer redden is, sinds het eerste verliezen, 2 jaar geleden, die van CranLogs, deze data, en dit is consequentie een onderestimatie, omdat het alleen een reposteren trekt, alweer een heel populair. En het is al van 112 landen, en we zijn speciaal fund van de fact dat het gebruikt is in HIPCs. Er zijn veel van die, dus er is een lijst van in de landen, en die landen hebben niet veel resources. Sommige organisaties in die landen kunnen niet zelfs SPSS of andere statistische software uitvoeren. Maar ze kunnen uitvoeren en kunnen uitvoeren in onze package, want natuurlijk is het gratis. En we zijn heel blij dat het antimicrobial resistance analysis kan nu in ieder land in de wereld worden gedaan. Wat kan het doen? Nou, je kunt het gebruiken om raw en clean data te gebruiken dat je uit de landen of hospital systeemt. Hier is een voorbeeld. Je ziet hier de officieel naam van Klu Klok Sasselin, die is een antibiotic, een paar derivaties van andere landen, andere landen, en een brandname. Brandnames differen per land ook. Officieel koden, een door Eersnet, door WHO. Dit is de ADC koden gebruikt in pharmaceutical systeem, ook door WHO. En dit is een ideekompound, ideen door POPCAM. Er is natuurlijk altijd optere koden die je vindt in systeem, in logische systeem. En als prinsipel hebben we ook wat ingewikkeld spellen. Dus wat je kunt doen met onze package, is gewoon om dit allemaal naar FLC, die is de abbreviatie, die we uit Eersnet hebben gekregen, als de abbreviatie voor dit antibiotic. En met bacteria is het exact dezelfde. Er is een Zafelikogus aureus, een bacterië, en er zijn natuurlijk ook welkneemde abbreviaties en ook andere koden die mensen denken en hebben het in hun systeem. En hier is ook weer wat misspelling. En dit is ook wel een behoorlijk gevoel om een microbio-idee te creëren, die je ook readbaar is. Het is van het kingdom van bacterië. Hier is de abbreviatie van de genis, die is de afelikogus, en hier is de abbreviatie van de aureus, die is de spieze. En deze package is om de zelfde meest zoveel misspeeld itemen te kunnen denken van. Dus we zullen dit alleen als een prinsipel doen. Het zou niet zelfs zeggen dat het onzertend is, heel onzertend, maar als je dit in onze package putt en je wilt weten dat het tekstenaar maakt, dan zou je het begrijpen, want elke zee kan er ook een S of een C, en elke th kan er alleen een T en twee A's kan er ook een A zijn. En dat is hoe we voor een aantal spiezele misspeelings correcten. En het begint nog steeds, maar het is om de afelikogus aureus, albeit met een heel lege score, die is gebaseerd op de Lievenstein algorithm. Maar als je een code hebt, bijvoorbeeld hier, van deze antibiotic, dan kan je naar welke property je wilt, want alle deze referentie data is op ons package. Dus je loopt ons package en je probeert iets voor de naam. En hier heb ik een brandname, die is allemaal printd hier, en het is gewoon voor de officieel naam. En als je wilt weten dat het dagelijks deel is van een ATC code, dan zou je zeggen, ik weet het niet, het is van Flucloxaceline, en het geeft je gewoon deze twee grammen dat is voor DDD's. Het idee was dat je, met de data die je hebt, je kunt van een E naar een E, en met bacteria, hetzelfde. Dus als je deze code hebt, die is gevoeligd van iets, dan kan je dan ook terug naar iets. En als je de gramstijn wilt krijgen, het geeft je de gramstijn of de film, die is een taxonomische entier, dan kun je dat ook doen. Dus je gaat van E naar E, dus hoe kan je het gebruiken? Dit is een plek van een voorbeeld, een data set, we hebben het in ons package. En het is een heel regulaar health data set, ik zou zeggen, met een date. Age of patient, generalf patient, en hier de microorganism, MO, E-coli en wat andere. En hier zijn er drie columnen met resultaten van specifiek entierbiotics. Dus deze zijn resultaten voor Amoxacilin, voor Cyprofloxacine en voor Trimethoprim. En ik zou estimeren dat meestal op de laatste keer in de leven met welke van deze drie entierbiotics zijn ook heel vaak voor drie punten van urinschriktefecties. Armeen is resistant, dus deze klepsielle primonie is resistant voor Amoxacilin, maar het is dezeceptabel voor Cyprofloxacine en Trimethoprim. En hier hebben we misseldaten, wat ook heel vaak is, want je wilt testen op elke entierbiotic voor elke bug die je in een leven hebt gegaan. Dus er is in medical microbiologie veel misseldaten. Maar met de enkele aantal lijnen hoop ik dat je een soort van tijdenversyntekst begrijpt. Hier hebben we onze bijvoorbeeld data set en we groepen met deze column met hospital data en daarom summeren we waar we de resistant van Amoxacilin calculeren en met n underscore rsi kunnen we de aantal isolaties waarin er een valid resultaat is. Dus resistant, dezeceptabel of intermediate. Dus hier is de resultaat en je kunt zien dat voor hospital A een empirische resistant is op Amoxacilin van 55,4 procent based on 157 isolaties. Maar het belangrijkste is om de receptabiliteit te bekijken omdat dat een kans van succes is. Je hebt zo'n twee patiënten en je kunt een Amoxacilin alleen geven en je kunt Cyprofloxacine alleen geven. Maar wat heel vaak, especially in ICUs, dat je met twee verschillende antibioties trekt omdat je moet zeker zijn dat ze de einde van de dag maken. En als je niet weet wat de super-serveerde effectie is, dan je bent beter veilig dan sorry en trekt met verschillende drugs. Je kunt dat nu gebruiken in de pakken. En hier zie je weer, groepen met de hospital. Je ziet hier dat de receptabiliteit tot Amoxacilin is 44,6 procent. Natuurlijk is het 1 minus de 55,4 procent die we eerder gezien hebben. En je ziet hier ook dat Cyprofloxacine veel meer succesvol is dan Amoxacilin als monotherapie. Maar als je de twee verbindt, krijg je de succesrate empirisch van 92,4 procent. Dat is een grote verschil. Dus met deze pakken kun je ook evalueren in de treatment en geven advies waarin drugs best werken en waarom, voor welk hospital, of waarom. Je kunt ook groepen op alles, op hematologische patiënt. Dus patiënt met ik weet het niet, respiratory diseases. Dus als je het wilt installeren, natuurlijk je hoeft alleen een input en een command of als je in een studio bent, dan type in AMR en je kunt dat gebruiken. We hebben ook een pakken-downwebsite met veel van haar toes die in onze pakken ook zijn, als vignettes. En ze kunnen readen hoe deze pakken werken en wat het allemaal kan doen enzovoort. We hebben ook een method paper over deze pakken en het is gemiddeld door de archive als een preprint en het is nu onder refu op een journal. Ja, dus we verwachten dat resultaat. Er zijn veel mensen om de ontwikkeling te bedanken. We kunnen natuurlijk dit alleen doen. De software testen van, ik denk, 7 verschillende instituten in ook verschillende landen en het was geweldig te werken met deze mensen. Als je me wilt contacten, doe dan. En we gaan in de tuin. Bedankt voor het luisteren.