Când oamenii mă întreabă de ce eu, matematician aplicat, studiez diabetul, le spun că sunt motivat atât din motive științifice, cât și din motive umane.
Continut Asemanator
- Un dispozitiv de monitorizare a sângelui inspirat de țânțari
- Oamenii folosesc date mari din anii 1600
Diabetul zaharat de tip 2 curge în familia mea. Bunicul meu a murit din cauza complicațiilor legate de afecțiune. Mama mea a fost diagnosticată cu boala când aveam 10 ani, iar mătușa Zacharoula suferea de ea. Eu însumi sunt pre-diabetic.
În adolescență, îmi amintesc că m-a lovit faptul că mama și sora ei au primit tratamente diferite de la medicii respectivi. Mama nu a luat niciodată insulină, un hormon care reglează nivelul glicemiei; în schimb, a mâncat o dietă limitată și a luat alte medicamente orale. Mătușa Zacharoula, pe de altă parte, lua mai multe injecții de insulină în fiecare zi.
Deși aveau același patrimoniu, același ADN parental și aceeași boală, traiectoriile lor medicale au divergent. Mama mea a murit în 2009, la 75 de ani, și mătușa mea a murit în același an, la vârsta de 78 de ani, dar, de-a lungul vieții, s-a ocupat de efecte secundare mult mai grave.
Când au fost diagnosticați în anii ’70, nu existau date care să arate care medicament era cel mai eficient pentru o populație specifică de pacienți.
Astăzi, 29 de milioane de americani trăiesc cu diabet. Și acum, într-o eră emergentă a medicinei de precizie, lucrurile stau altfel.
Accesul sporit la trove de informații genomice și utilizarea în creștere a documentelor medicale electronice, combinate cu noi metode de învățare automată, permit cercetătorilor să proceseze cantități mari de date. Aceasta accelerează eforturile pentru a înțelege diferențele genetice în cadrul bolilor - inclusiv diabetul - și pentru a dezvolta tratamente pentru acestea. Omul de știință din mine simte o dorință puternică de a lua parte.
Utilizarea datelor mari pentru optimizarea tratamentului
Eu și studenții mei am dezvoltat un algoritm bazat pe date pentru gestionarea personalizată a diabetului, care credem că are potențialul de a îmbunătăți sănătatea milioanelor de americani care trăiesc cu boala.
Funcționează astfel: Algoritmul exploatează datele despre pacienți și medicamente, găsește ceea ce este cel mai relevant pentru un anumit pacient bazat pe istoricul său medical și apoi face o recomandare dacă un alt tratament sau un medicament ar fi mai eficient. Experiența umană oferă o a treia piesă critică a puzzle-ului.
La urma urmei, medicii sunt cei care au educația, abilitățile și relațiile cu pacienții care fac judecăți informate despre posibilele cursuri de tratament.
Am efectuat cercetările noastre printr-un parteneriat cu Boston Medical Center, cel mai mare spital net de siguranță din New England, care oferă îngrijiri persoanelor cu venituri mai mici și ale persoanelor neasigurate. Și am folosit un set de date care a implicat înregistrările medicale electronice din 1999 până în 2014 a aproximativ 11.000 de pacienți care ne-au fost anonimi.
Acești pacienți au avut trei sau mai multe teste ale nivelului de glucoză în evidență, o rețetă pentru cel puțin un medicament de reglare a glicemiei și niciun diagnostic înregistrat al diabetului de tip 1, care începe de obicei în copilărie. De asemenea, am avut acces la datele demografice ale fiecărui pacient, precum și înălțimea, greutatea, indicele de masă corporală și istoricul medicamentelor rețetate.
În continuare, am dezvoltat un algoritm pentru a marca exact când s-a încheiat fiecare linie de terapie și a început următoarea, în funcție de momentul în care combinația de medicamente prescrise pacienților s-a modificat în datele de evidență medicală electronică. Cu toate acestea, algoritmul a luat în considerare 13 regimuri posibile de medicamente.
Pentru fiecare pacient, algoritmul a procesat meniul opțiunilor de tratament disponibile. Acest lucru a inclus tratamentul actual al pacientului, precum și tratamentul celor 30 de „vecini cei mai apropiați” ai acestuia în termeni de similaritate a istoricului demografic și medical al acestora pentru a prezice efectele potențiale ale fiecărui regim de medicament. Algoritmul a presupus că pacientul va moșteni rezultatul mediu al vecinilor apropiați.
Dacă algoritmul observa potențial substanțial de îmbunătățire, oferea o schimbare a tratamentului; dacă nu, algoritmul a sugerat ca pacientul să rămână pe baza regimului său existent. În două treimi din eșantionul pacientului, algoritmul nu a propus o schimbare.
Pacienții care au primit tratamente noi ca urmare a algoritmului au văzut rezultate dramatice. Atunci când sugestia sistemului a fost diferită de standardul de îngrijire, a fost observată o schimbare benefică medie a hemoglobinei de 0, 44 la sută la vizita fiecărui medic, comparativ cu datele istorice. Aceasta este o îmbunătățire semnificativă din punct de vedere material.
Pe baza succesului studiului nostru, organizăm un studiu clinic cu Spitalul General din Massachusetts. Considerăm că algoritmul nostru ar putea fi aplicabil altor boli, inclusiv cancerul, Alzheimer și bolile cardiovasculare.
Este satisfăcător profesional și îmbucurător personal să lucrez la un proiect avansat ca acesta. Citind istoricul medical al unei persoane, suntem capabili să adaptăm tratamente specifice anumitor pacienți și să le oferim strategii terapeutice și preventive mai eficiente. Scopul nostru este să oferim tuturor cea mai mare oportunitate posibilă pentru o viață mai sănătoasă.
Cel mai bine, știu că mama mea ar fi mândră.
Acest articol a fost publicat inițial pe The Conversation.
Dimitris Bertsimas, profesor de matematica aplicata, MIT Sloan School of Management
