fbpx L’antibiotico-resistenza in Italia: i dati ISS 2018 | Scienza in rete

L’antibiotico resistenza in Italia

L’Istituto Superiore di Sanità ha pubblicato i dati sull’attività della Sorveglianza nazionale dell’Antibiotico-Resistenza (AR-ISS) e della Sorveglianza nazionale batteriemie da enterobatteri produttori di carbapenemasi (CPE). L'antibiotico-resistenza si conferma un problema diffuso, con valori al di sopra della media europea.
Crediti immagine: Tabeajaichhalt/Pixabay. Licenza: Pixabay License

Tempo di lettura: 4 mins

L’Istituto Superiore di Sanità ha pubblicato i dati sull’attività della Sorveglianza nazionale dell’Antibiotico Resistenza (AR-ISS) e della Sorveglianza nazionale batteriemie da enterobatteri produttori di carbapenemasi (CPE). Il rapporto AR-ISS contiene i dati italiani del 2018 e il trend 2012-18 delle percentuali di resistenza a diverse classi di antibiotici o a singoli antibiotici, per le specie di 8 patogeni sotto sorveglianza (Staphylococcus aureus, Streptococcus pneumoniae, Enterococcus faecalis, Enterococcus faecium, Escherichia coli, Klebsiella pneumoniae, Pseudomonas aeruginosa e Acinetobacter species).

Il rapporto CPE presenta i dati 2018 della sorveglianza nazionale delle batteriemie da K. pneumoniae ed E. coli resistenti ai carbapenemi e/o produttori di carbapenemasi. La loro pubblicazione anticipa di qualche giorno la Giornata europea degli antibiotici (European Awareness Day, 18 novembre) organizzata dall’ECDC all’interno della settimana mondiale (World Antibiotics Awareness week, 18-24 novembre), a sua volta organizzata dall’OMS.

Cosa dicono i dati AR-ISS

Le indagini sugli 8 patogeni esaminati confermano che nel 2018, in Italia, il problema dell’antibiotico-resistenza è molto diffuso e che, seppure in calo rispetto agli anni precedenti, i valori registrati si mantengono sopra la media europea. Come si vede dalle tabelle:

• per i batteri Gram-positivi le percentuali di resistenza più alte si osservano per S. aureus a meticillina (33,9%), eritromicina (34,6%) e levofloxacina (34,3%); per S. pneumoniae a eritromicina (20,3%); per gli enterococchi agli aminoglicosidi ad alto dosaggio (tra il 35% e il 72%) e per E. faecium ai glicopeptidi (18%)

• per i batteri Gram-negativi le percentuali di resistenza particolarmente critiche si osservano per E. coli alle penicilline e alle cefalosporine di terza generazione (>20%); per K. pneumoniae alle penicilline (tra il 46% e il 56%, eccetto l’ampicillina alla quale è sempre resistente), alle cefalosporine di terza generazione (52%) e ai carbapenemi (tra il 24% e il 31%); per P. aeruginosa a piperacillina-tazobactam (23,9%), alle cefalosporine di terza generazione (19%) e ai carbapenemi (tra l’11% e il 17%); per Acinetobacter spp. si sono confermati valori molto alti di resistenza (sopra il 70%) verso le principali classi di antibiotici.

Tabella 1 Batteri Gram-positivi: profilo di antibiotico-resistenza per patogeno, Italia 2018. R, Resistenza; IC, Intervallo di confidenza. Da AR-ISS, Sorveglianza nazionale dell'antibiotico-resistenza. I dati 2018

Tabella 2 Batteri Gram-negativi: profilo di antibiotico-resistenza per patogeno, Italia 2018. R, Resistenza; IC, Intervallo di confidenza. Da AR-ISS, Sorveglianza nazionale dell'antibiotico-resistenza. I dati 2018

Sono inoltre state prese in esame 4 combinazioni patogeno/antibiotico particolarmente importanti per la sorveglianza e sotto osservazione a livello europeo da parte dell’ECDC: S. aureus e meticillina (MRSA - S. aureus resistente alle meticillina), E. faecium e vancomicina (VRE-faecium - E. faecium resistente alla vancomicina), E. coli e cefalosporine di terza generazione (CREC - E. coli resistente alle cefalosporine di terza generazione), K. pneumoniae e carbapenemi (CRKP - K. pneumoniae resistente ai carbapenemi).

I dati ottenuti indicano che in generale le percentuali medie di resistenza a livello europeo sono inferiori a quelle italiane:

Coppia patogeno/
antibiotico
Percentuale media di resistenza in Italia (2018) Percentuale media di resistenza in Europa (2018)
MRSA 34% 16,4%
VRE-faecium 18,9% 17,3%
CREC 28,7% 15,1%
CRKP 30% 7,5%

 

Il rapporto mostra anche l’andamento temporale (2012-2018) dell’antibiotico-resistenza per gli 8 patogeni in esame e per le quattro combinazioni patogeno/antibiotico. Come si vede dalla figura la percentuale di MRSA si è mantenuta stabile nel tempo intorno al 34%, mentre incrementi significativi sono stati riscontrati nella percentuale dei ceppi di E. faecium resistenti alla vancomicina (come osservato anche nel resto d’Europa). Un lieve aumento nella percentuale di isolati di E. coli resistenti alle cefalosporine di terza generazione si è riscontrato fino al 2015, successivamente il valore si è mantenuto stabile (intorno al 30%). Va evidenziato un calo significativo nella percentuale di isolati di K. pneumoniae resistenti ai carbapenemi (dal 36,7% nel 2016 al 30% nel 2018) negli ultimi due anni di osservazione.

Figura 1 Percentuale di resistenza delle principali combinazioni patogeno/antibiotico, Italia 2012-2018. Questi dati sono stati confermati da un modello di analisi multivariata in cui si è tenuto conto delle caratteristiche demografiche dei pazienti, del reparto ospedaliero di ricovero, dell'area geografica e della variabilità tra i laboratori partecipanti. MRSA, S. aureus resistente alla meticillina; VRE-faecium, E. faecium resistente alla vancomicina; CREC, E. coli resistente alle cefalosporine di terza generazione; CRKP, K. pnaumoniae resistente ai carbapenemi. Da AR-ISS, Sorveglianza nazionale dell'antibiotico-resistenza. I dati 2018

Cosa dicono i dati CPE

Nel 2018 sono stati segnalati e diagnosticati 2207 casi di CPE, a dimostrazione della diffusione delle batteriemie da enterobatteri produttori di carbapenemasi, soprattutto tra i pazienti maschi (65,2%) di età compresa tra 60 e 79 anni (48,5%), ospedalizzati (86,1% dei casi) e ricoverati nei reparti di terapia intensiva (38,3%). L’Italia centrale è l’area con maggiore incidenza di casi segnalati ed è l’unica ad aver mostrato un aumento del tasso di incidenza rispetto al 2017. Il patogeno maggiormente diffuso è Klebsiella pneumoniae (97,7% dei casi) con enzima KPC (Klebsiella pneumoniae carbapenemasi); a fine 2018, si osserva però un aumento di altri enzimi, in particolare NDM (New Delhi metallo beta lattamasi).

Figura 2 Percentuali di resistenza alle principali combinazioni patogeno/antibiotico sotto sorveglianza per regione, anno 2018. Le classi d'intensità di resistenza sono identificate in base ai quartili della distribuzione nazionale. Da AR-ISS, Sorveglianza nazionale dell'antibiotico-resistenza. I dati 2018

 


Scienza in rete è un giornale senza pubblicità e aperto a tutti per garantire l’indipendenza dell’informazione e il diritto universale alla cittadinanza scientifica. Contribuisci a dar voce alla ricerca sostenendo Scienza in rete. In questo modo, potrai entrare a far parte della nostra comunità e condividere il nostro percorso. Clicca sul pulsante e scegli liberamente quanto donare! Anche una piccola somma è importante. Se vuoi fare una donazione ricorrente, ci consenti di programmare meglio il nostro lavoro e resti comunque libero di interromperla quando credi.


prossimo articolo

Why have neural networks won the Nobel Prizes in Physics and Chemistry?

This year, Artificial Intelligence played a leading role in the Nobel Prizes for Physics and Chemistry. More specifically, it would be better to say machine learning and neural networks, thanks to whose development we now have systems ranging from image recognition to generative AI like Chat-GPT. In this article, Chiara Sabelli tells the story of the research that led physicist and biologist John J. Hopfield and computer scientist and neuroscientist Geoffrey Hinton to lay the foundations of current machine learning.

Image modified from the article "Biohybrid and Bioinspired Magnetic Microswimmers" https://onlinelibrary.wiley.com/doi/epdf/10.1002/smll.201704374

The 2024 Nobel Prize in Physics was awarded to John J. Hopfield, an American physicist and biologist from Princeton University, and to Geoffrey Hinton, a British computer scientist and neuroscientist from the University of Toronto, for utilizing tools from statistical physics in the development of methods underlying today's powerful machine learning technologies.