Όταν οι άνθρωποι με ρωτούν γιατί εγώ, ένας εφαρμοσμένος μαθηματικός, μελετώ τον διαβήτη, τους λέω ότι είμαι κίνητρο για επιστημονικούς και ανθρώπινους λόγους.
σχετικό περιεχόμενο
- Μια συσκευή παρακολούθησης αίματος εμπνευσμένη από τα κουνούπια
- Οι άνθρωποι έχουν χρησιμοποιήσει μεγάλα δεδομένα από το 1600
Ο διαβήτης τύπου 2 τρέχει στην οικογένειά μου. Ο παππούς μου πέθανε από επιπλοκές που σχετίζονται με την πάθηση. Η μητέρα μου διαγνώστηκε με την ασθένεια όταν ήμουν 10 χρονών και η θεία Ζαχαρούλα υπέφερε από αυτήν. Εγώ ο ίδιος είμαι προ-διαβητικός.
Ως έφηβος, θυμάμαι ότι χτυπάται από το γεγονός ότι η μητέρα μου και η αδελφή της έλαβαν διαφορετικές θεραπείες από τους αντίστοιχους γιατρούς τους. Η μητέρα μου δεν πήρε ποτέ ινσουλίνη, μια ορμόνη που ρυθμίζει τα επίπεδα σακχάρου στο αίμα. Αντιθέτως, έφαγε μια περιορισμένη διατροφή και πήρε άλλα από του στόματος φάρμακα. Η θεία Zacharoula, από την άλλη πλευρά, πήρε αρκετές ενέσεις ινσουλίνης κάθε μέρα.
Αν και είχαν την ίδια κληρονομιά, το ίδιο γονικό DNA και την ίδια ασθένεια, οι ιατρικές τροχιές τους αποκλίνουν. Η μητέρα μου πέθανε το 2009 στην ηλικία των 75 ετών και η θεία μου πέθανε το ίδιο έτος στην ηλικία των 78 ετών, αλλά κατά τη διάρκεια της ζωής της αντιμετώπισε πολύ πιο σοβαρές παρενέργειες.
Όταν εντοπίστηκαν στη δεκαετία του 1970, δεν υπήρχαν δεδομένα που να δείχνουν ποιο φάρμακο ήταν πιο αποτελεσματικό για έναν συγκεκριμένο πληθυσμό ασθενών.
Σήμερα, 29 εκατομμύρια Αμερικανοί ζουν με διαβήτη. Και τώρα, σε μια αναδυόμενη εποχή ιατρικής ακρίβειας, τα πράγματα είναι διαφορετικά.
Η αυξημένη πρόσβαση σε πληροφορίες γονιδιώματος και η αυξανόμενη χρήση ηλεκτρονικών ιατρικών αρχείων, σε συνδυασμό με νέες μεθόδους μηχανικής μάθησης, επιτρέπουν στους ερευνητές να επεξεργάζονται δεδομένα μεγάλου όγκου. Αυτό επιταχύνει τις προσπάθειες να κατανοηθούν οι γενετικές διαφορές μεταξύ των ασθενειών - συμπεριλαμβανομένου του διαβήτη - και να αναπτυχθούν θεραπείες για αυτούς. Ο επιστήμονας σε μένα αισθάνεται μια ισχυρή επιθυμία να συμμετάσχει.
Χρησιμοποιώντας μεγάλα δεδομένα για τη βελτιστοποίηση της θεραπείας
Οι μαθητές μου και εγώ έχουμε αναπτύξει έναν αλγόριθμο με γνώμονα τα δεδομένα για την εξατομικευμένη διαχείριση του διαβήτη που πιστεύουμε ότι έχει τη δυνατότητα να βελτιώσει την υγεία των εκατομμυρίων Αμερικανών που ζουν με την ασθένεια.
Λειτουργεί έτσι: Ο αλγόριθμος εξουδετερώνει δεδομένα ασθενών και φαρμάκων, βρίσκει αυτό που είναι πιο σχετικό με έναν συγκεκριμένο ασθενή με βάση το ιατρικό του ιστορικό και στη συνέχεια κάνει μια σύσταση σχετικά με το εάν μια άλλη θεραπεία ή φάρμακο θα ήταν πιο αποτελεσματική. Η ανθρώπινη τεχνογνωσία παρέχει ένα κρίσιμο τρίτο κομμάτι του παζλ.
Εξάλλου, είναι οι γιατροί που έχουν την εκπαίδευση, τις δεξιότητες και τις σχέσεις τους με τους ασθενείς που κάνουν τεκμηριωμένες κρίσεις σχετικά με πιθανές θεραπευτικές αγωγές.
Διεξήγαμε την έρευνά μας μέσω μιας εταιρικής σχέσης με το Ιατρικό Κέντρο της Βοστόνης, το μεγαλύτερο νοσοκομείο ασφαλούς δικτύου στη Νέα Αγγλία που παρέχει φροντίδα σε άτομα με χαμηλό εισόδημα και ανασφάλιστους. Και χρησιμοποιήσαμε ένα σύνολο δεδομένων που περιελάμβανε τα ηλεκτρονικά ιατρικά αρχεία από το 1999 έως το 2014 περίπου 11.000 ασθενών που ήταν ανώνυμοι σε εμάς.
Αυτοί οι ασθενείς είχαν τρεις ή περισσότερες εξετάσεις επιπέδου γλυκόζης, μια συνταγή για τουλάχιστον ένα φάρμακο ρύθμισης της γλυκόζης στο αίμα και καμία καταγεγραμμένη διάγνωση διαβήτη τύπου 1, η οποία συνήθως αρχίζει στην παιδική ηλικία. Είχαμε επίσης πρόσβαση στα δημογραφικά δεδομένα κάθε ασθενούς, καθώς και στο ύψος, το βάρος, το δείκτη μάζας σώματος και το ιστορικό συνταγογραφούμενων φαρμάκων.
Στη συνέχεια, αναπτύξαμε έναν αλγόριθμο για να επισημάνουμε με ακρίβεια πότε ολοκληρώθηκε κάθε γραμμή θεραπείας και ξεκίνησε το επόμενο, ανάλογα με το πότε ο συνδυασμός φαρμάκων που συνταγογραφήθηκαν στους ασθενείς άλλαξε στα δεδομένα ηλεκτρονικών ιατρικών αρχείων. Όλοι μας, ο αλγόριθμος εξέτασε 13 πιθανά θεραπευτικά σχήματα.
Για κάθε ασθενή, ο αλγόριθμος επεξεργάστηκε το μενού των διαθέσιμων επιλογών θεραπείας. Αυτό συμπεριέλαβε την τρέχουσα θεραπεία του ασθενούς, καθώς και τη θεραπεία των 30 "πλησιέστερων γειτόνων" του, όσον αφορά την ομοιότητα του δημογραφικού και ιατρικού ιστορικού τους, για να προβλέψουν τα πιθανά αποτελέσματα κάθε θεραπευτικής αγωγής. Ο αλγόριθμος υποθέτει ότι ο ασθενής θα κληρονομήσει το μέσο αποτέλεσμα των πλησιέστερων γειτόνων του.
Αν ο αλγόριθμος παρουσίασε σημαντικές δυνατότητες βελτίωσης, προσέφερε μια αλλαγή στη θεραπεία. αν όχι, ο αλγόριθμος πρότεινε τον ασθενή να παραμείνει στην υπάρχουσα θεραπευτική αγωγή του. Στα δύο τρίτα του δείγματος ασθενούς, ο αλγόριθμος δεν πρότεινε αλλαγή.
Οι ασθενείς που έλαβαν νέες θεραπείες ως αποτέλεσμα του αλγορίθμου είδαν δραματικά αποτελέσματα. Όταν η πρόταση του συστήματος ήταν διαφορετική από το επίπεδο φροντίδας, παρατηρήθηκε μέση ωφέλιμη μεταβολή της αιμοσφαιρίνης κατά 0, 44% σε κάθε επίσκεψη του γιατρού, σε σύγκριση με ιστορικά δεδομένα. Πρόκειται για μια σημαντική, ιατρικά σημαντική βελτίωση.
Με βάση την επιτυχία της μελέτης μας, οργανώνουμε μια κλινική δοκιμή με το Γενικό Νοσοκομείο της Μασαχουσέτης. Πιστεύουμε ότι ο αλγόριθμός μας θα μπορούσε να εφαρμοστεί σε άλλες ασθένειες, συμπεριλαμβανομένου του καρκίνου, της νόσου του Alzheimer και της καρδιαγγειακής νόσου.
Είναι επαγγελματικά ικανοποιητική και προσωπικά ευχάριστη για να εργαστεί σε ένα πρωτοποριακό έργο όπως αυτό. Με την ανάγνωση του ιατρικού ιστορικού ενός ατόμου, είμαστε σε θέση να προσαρμόσουμε ειδικές θεραπείες σε συγκεκριμένους ασθενείς και να τους προσφέρουμε αποτελεσματικότερες θεραπευτικές και προληπτικές στρατηγικές. Στόχος μας είναι να δώσουμε σε όλους τη μέγιστη δυνατή ευκαιρία για μια πιο υγιεινή ζωή.
Το καλύτερο από όλα, ξέρω ότι η μητέρα μου θα ήταν υπερήφανη.
Αυτό το άρθρο δημοσιεύθηκε αρχικά στην Η συζήτηση.
Δημήτρης Μπερτσιμάς, Καθηγητής Εφαρμοσμένων Μαθηματικών, MIT Sloan School of Management
