Amikor az emberek azt kérdezik tőlem, hogy miért, alkalmazott matematikus, miért tanulmányozom a cukorbetegséget, elmondom nekik, hogy tudományos és emberi okokból motiváltak vagyok.
kapcsolodo tartalom
- Szúnyogok ihlette vérmegfigyelő készülék
- Az emberek az 1600-as évek óta használnak nagy adatot
A 2-es típusú cukorbetegség a családomban fut. Nagyapám az állapothoz kapcsolódó komplikációkban halt meg. Anyámnak 10 éves koromban diagnosztizálták a betegséget, Zacharoula néni pedig szenvedett. Én magam vagyok prediabetikus.
Tizenévesként emlékszem, hogy megdöbbentő tény volt, hogy anyám és nővére eltérő kezelést kapott orvosaiktól. Anyám soha nem vett inzulint, egy hormont, amely szabályozza a vércukorszintet; ehelyett korlátozott diétát evett és más orális gyógyszereket vett be. Zacharoula néni viszont naponta több injekciót végzett inzulinnal.
Annak ellenére, hogy ugyanazon örökség, ugyanaz a szülői DNS és ugyanaz a betegség volt, orvosi pályájuk eltérő volt. Anyám 2009-ben 75 éves korában halt meg, a nagynéném ugyanabban az évben 78 éves korában halt meg, de élete során sokkal komolyabb mellékhatásokkal foglalkozott.
Amikor az 1970-es években diagnosztizálták őket, nem álltak rendelkezésre adatok, amelyek megmutatnák, melyik gyógyszer volt a leghatékonyabb egy adott betegpopulációban.
Manapság 29 millió amerikai él cukorbetegséggel. És most, a precíziós orvoslás egy feltörekvő korszakában a dolgok másképp alakulnak.
A genomikai információkhoz való fokozott hozzáférés és az elektronikus egészségügyi nyilvántartások egyre növekvő használata, valamint a gépi tanulás új módszerei lehetővé teszik a kutatók számára, hogy nagy mennyiségű adatot dolgozzanak fel. Ez felgyorsítja a betegségek - köztük a cukorbetegség - genetikai különbségeinek megértését és kezelésének fejlesztését. A bennem lévő tudós hatalmas vágyat érez a részvételre.
Nagy adat felhasználása a kezelés optimalizálására
Diákjaimmal és én egy adatközpontú algoritmust fejlesztettünk ki a személyre szabott cukorbetegség kezelésére, amely véleményünk szerint javíthatja a betegséggel élő amerikaiak millióinak egészségét.
Így működik: Az algoritmus begyűjti a beteg és a gyógyszer adatait, megtalálja azt, amely az adott beteg számára a kórtörténetének alapján relevánsabb, majd javaslatot tesz egy másik kezelés vagy gyógyszer hatékonyabbá tételére. Az emberi kompetencia a rejtvény kritikus harmadik darabja.
Végül is csak az orvosok rendelkeznek oktatással, készségekkel és kapcsolatokkal a betegekkel, akik megalapozott döntést hoznak a lehetséges kezelési módokról.
Kutatásainkat a Boston Medical Center-rel, az Új-Anglia legnagyobb biztonsági háló kórházával folytatott partnerség útján végeztük, amely alacsony jövedelmű és nem biztosított emberek gondozását végzi. Olyan adatkészletet használtunk, amely az 1999 és 2014 közötti elektronikus orvosi nyilvántartást foglalta magában, mintegy 11 000 betegnél, akik névtelenek voltak.
Ezeknek a betegeknek három vagy több vércukorszint-tesztük volt nyilvántartásban, legalább egy vércukorszint-szabályozó gyógyszer felírása volt, és az 1. típusú cukorbetegség diagnosztizálása nem történt, amely általában gyermekkorban kezdődik. Hozzáférhetünk minden beteg demográfiai adataihoz, valamint a magasságukhoz, testtömegükhöz, testtömeg-indexükhöz és a vényköteles gyógyszerek előzményeihez.
Ezután kifejlesztettünk egy algoritmust, amely pontosan megjelöli, hogy mikor fejeződött be minden terápiás sor, és a következő kezdődött, annak megfelelően, mikor változott a betegeknek felírt gyógyszerek kombinációja az elektronikus egészségügyi nyilvántartásban. Mindent egybevetve az algoritmus 13 lehetséges kábítószer-kezelési módszert vett figyelembe.
Az algoritmus minden beteg esetében feldolgozta a rendelkezésre álló kezelési lehetőségek menüjét. Ez magában foglalta a beteg jelenlegi kezelését, valamint a 30 legközelebbi szomszédjának kezelését a demográfiai és kórtörténetük hasonlósága szempontjából az egyes gyógyszeres kezelések potenciális hatásainak előrejelzése céljából. Az algoritmus feltételezte, hogy a beteg örökli a legközelebbi szomszédainak átlagos eredményét.
Ha az algoritmus jelentős javulási potenciált fedezett fel, megváltoztatta a kezelést; ha nem, az algoritmus azt javasolta, hogy a beteg maradjon meglévő kezelési rendjén. A betegminta kétharmadában az algoritmus nem javasolt változtatást.
Azon betegek, akik az algoritmus eredményeként új kezeléseket kaptak, drámai eredményeket láttak. Amikor a rendszer javaslata különbözött az ápolás színvonalától, a hemoglobin átlagos kedvező változása 0, 44 százalék volt minden orvos látogatásakor, a korábbi adatokhoz képest. Ez értelmes, orvosi szempontból anyagi fejlesztés.
Kutatásunk sikere alapján klinikai vizsgálatot szervezünk a Massachusetts Általános Kórháznál. Hisszük, hogy algoritmusunkat más betegségekre is alkalmazhatjuk, ideértve a rákot, az Alzheimer-kórt és a szív- és érrendszeri betegségeket.
Szakmailag kielégítő és személyesen örömteli az ilyen áttörési projekten dolgozni. Az ember kórtörténetének elolvasásával képesek vagyunk arra, hogy specifikus kezeléseket igazítsunk az egyes betegek számára, és hatékonyabb terápiás és megelőző stratégiákat biztosítsunk számukra. Célunk, hogy mindenkinek a lehető legnagyobb lehetőséget biztosítsuk az egészségesebb élethez.
A legjobban, tudom, hogy anyukám büszke lenne.
Ezt a cikket eredetileg a The Conversation kiadta.
Dimitris Bertsimas, az MIT Sloan Menedzsment Iskola alkalmazott matematika professzora
