Kiedy ludzie pytają mnie, dlaczego ja, matematyk stosowany, badam cukrzycę, odpowiadam, że jestem zmotywowany zarówno z przyczyn naukowych, jak i ludzkich.
powiązana zawartość
- Urządzenie do monitorowania krwi inspirowane komarami
- Ludzie używają dużych zbiorów danych od lat 1600
Cukrzyca typu 2 występuje w mojej rodzinie. Mój dziadek zmarł z powodu komplikacji związanych z tą chorobą. U mojej matki zdiagnozowano tę chorobę, gdy miałem 10 lat, a moja ciocia Zacharoula cierpiała na nią. Ja sam jestem w stanie przedcukrzycowym.
Jako nastolatka pamiętam, jak uderzył mnie fakt, że moja matka i jej siostra otrzymały różne leczenie od swoich lekarzy. Moja matka nigdy nie brała insuliny, hormonu, który reguluje poziom cukru we krwi; zamiast tego zjadła ograniczoną dietę i zażyła inne leki doustne. Z kolei ciocia Zacharoula codziennie przyjmowała kilka zastrzyków insuliny.
Choć mieli to samo dziedzictwo, to samo rodzicielskie DNA i tę samą chorobę, ich trajektorie medyczne były rozbieżne. Moja matka zmarła w 2009 roku w wieku 75 lat, a ciotka zmarła w tym samym roku w wieku 78 lat, ale w ciągu swojego życia miała do czynienia z wieloma poważniejszymi skutkami ubocznymi.
Kiedy zdiagnozowano je w latach siedemdziesiątych, nie było danych, które wskazywałyby, który lek był najbardziej skuteczny dla określonej populacji pacjentów.
Dzisiaj 29 milionów Amerykanów żyje z cukrzycą. A teraz, w nowej erze medycyny precyzyjnej, sprawy wyglądają inaczej.
Zwiększony dostęp do źródeł informacji genomowej i rosnące wykorzystanie elektronicznej dokumentacji medycznej w połączeniu z nowymi metodami uczenia maszynowego pozwalają badaczom przetwarzać duże ilości danych. Przyspiesza to wysiłki na rzecz zrozumienia różnic genetycznych w obrębie chorób - w tym cukrzycy - i opracowania dla nich metod leczenia. Naukowiec we mnie odczuwa silne pragnienie wzięcia udziału.
Wykorzystanie dużych zbiorów danych do optymalizacji leczenia
Razem z moimi uczniami opracowaliśmy algorytm oparty na danych dla spersonalizowanego leczenia cukrzycy, który naszym zdaniem może poprawić zdrowie milionów Amerykanów żyjących z tą chorobą.
Działa to w następujący sposób: algorytm wydobywa dane pacjenta i leku, znajduje to, co jest najbardziej istotne dla konkretnego pacjenta na podstawie jego historii medycznej, a następnie wydaje zalecenie, czy inne leczenie lub lek byłoby bardziej skuteczne. Ludzka wiedza stanowi kluczowy trzeci element układanki.
W końcu to lekarze posiadający wykształcenie, umiejętności i relacje z pacjentami podejmują świadome opinie na temat potencjalnych kierunków leczenia.
Nasze badania przeprowadziliśmy we współpracy z Boston Medical Center, największym szpitalem z siatki bezpieczeństwa w Nowej Anglii, który zapewnia opiekę osobom o niższych dochodach i osobom nieubezpieczonym. Wykorzystaliśmy zestaw danych obejmujący elektroniczną dokumentację medyczną w latach 1999–2014 około 11 000 pacjentów, którzy byli dla nas anonimowi.
U tych pacjentów zapisano co najmniej trzy testy poziomu glukozy, receptę na co najmniej jeden lek regulujący poziom glukozy we krwi oraz brak zarejestrowanej diagnozy cukrzycy typu 1, która zwykle rozpoczyna się w dzieciństwie. Mieliśmy również dostęp do danych demograficznych każdego pacjenta, a także jego wzrostu, masy ciała, wskaźnika masy ciała i historii leków na receptę.
Następnie opracowaliśmy algorytm oznaczania dokładnie, kiedy kończy się każda linia terapii, a zaczyna się kolejna, zgodnie z tym, kiedy kombinacja leków przepisanych pacjentom zmieniła się w danych z elektronicznej dokumentacji medycznej. Podsumowując, algorytm rozważał 13 możliwych schematów leczenia.
Dla każdego pacjenta algorytm przetworzył menu dostępnych opcji leczenia. Obejmowało to obecne leczenie pacjenta, a także leczenie jego 30 „najbliższych sąsiadów” pod względem podobieństwa ich historii demograficznej i medycznej do przewidywania potencjalnych skutków każdego schematu leczenia. Algorytm zakładał, że pacjent odziedziczy średni wynik jego najbliższych sąsiadów.
Jeśli algorytm dostrzegł znaczny potencjał poprawy, zaproponował zmianę leczenia; jeśli nie, algorytm sugeruje, że pacjent pozostaje w dotychczasowym schemacie leczenia. W dwóch trzecich próbek od pacjentów algorytm nie zaproponował zmiany.
Pacjenci, którzy otrzymali nowe leczenie w wyniku zastosowania algorytmu, zobaczyli dramatyczne wyniki. Kiedy sugestia systemu różniła się od standardowego leczenia, zaobserwowano średnią korzystną zmianę hemoglobiny o 0, 44 procent podczas wizyty każdego lekarza, w porównaniu do danych historycznych. Jest to znacząca, medycznie istotna poprawa.
W oparciu o sukces naszego badania organizujemy badanie kliniczne w Massachusetts General Hospital. Uważamy, że nasz algorytm może mieć zastosowanie do innych chorób, w tym raka, choroby Alzheimera i chorób układu krążenia.
Praca nad przełomowym projektem takim jak ten jest satysfakcjonująca zawodowo. Czytając historię medyczną danej osoby, jesteśmy w stanie dostosować określone metody leczenia do konkretnych pacjentów i zapewnić im bardziej skuteczne strategie terapeutyczne i zapobiegawcze. Naszym celem jest zapewnienie wszystkim jak największej szansy na zdrowsze życie.
Co najlepsze, wiem, że moja mama byłaby dumna.
Ten artykuł został pierwotnie opublikowany w The Conversation.
Dimitris Bertsimas, profesor matematyki stosowanej, MIT Sloan School of Management
