Když se mě lidé ptají, proč jsem, aplikovaný matematik, studuji cukrovku, řeknu jim, že jsem motivován jak z vědeckých, tak z lidských důvodů.
Související obsah
- Zařízení pro sledování krve inspirované komáři
- Lidé používají velká data již od 16. století
Diabetes 2. typu běží v mé rodině. Můj dědeček zemřel na komplikace související s tímto stavem. Moje matka byla diagnostikována s nemocí, když mi bylo 10 let, a teta Zacharoula trpěla. Já sám jsem předdiabetický.
Jako dospívající si vzpomínám, že jsem byl zasažen skutečností, že moje matka a její sestra podstoupily různé ošetření od svých lékařů. Moje matka nikdy neužila inzulín, hormon, který reguluje hladinu cukru v krvi; místo toho snědla omezenou stravu a užívala další perorální drogy. Na druhou stranu teta Zacharoula vzala několik injekcí inzulínu každý den.
Přestože měli stejné dědictví, stejnou rodičovskou DNA a stejnou nemoc, jejich lékařské trajektorie se rozcházely. Moje matka zemřela v roce 2009 ve věku 75 let a moje teta zemřela ve stejném roce ve věku 78 let, ale v průběhu svého života se zabývala mnohem vážnějšími vedlejšími účinky.
Když byla diagnostikována již v 70. letech, neexistovaly žádné údaje, které by ukazovaly, který lék byl pro konkrétní populaci pacientů nejúčinnější.
Dnes žije s diabetem 29 milionů Američanů. A nyní, v nově vznikající éře přesné medicíny, jsou věci jiné.
Zvýšený přístup k trhem s genomickými informacemi a rostoucí využívání elektronických lékařských záznamů v kombinaci s novými metodami strojového učení umožňují vědcům zpracovávat velké množství dat. Tím se zrychluje snaha porozumět genetickým rozdílům u nemocí - včetně cukrovky - a vyvinout pro ně léčbu. Vědec ve mně cítí silnou touhu zúčastnit se.
Použití velkých dat k optimalizaci léčby
Se svými studenty jsme vyvinuli algoritmus založený na údajích pro personalizované řízení cukrovky, o kterém se domníváme, že má potenciál zlepšit zdraví milionů Američanů žijících s touto nemocí.
Funguje to takto: Algoritmus vytěží data o pacientovi a léku, zjistí, co je pro konkrétního pacienta nejdůležitější na základě jeho anamnézy, a poté vydá doporučení, zda by jiná léčba nebo léčba byla účinnější. Lidská odbornost poskytuje kritickou třetí část hádanky.
Koneckonců, jsou to lékaři, kteří mají vzdělání, dovednosti a vztahy s pacienty, kteří činí informovaný úsudek o možných léčebných postupech.
Náš výzkum jsme provedli prostřednictvím partnerství s Boston Medical Center, největší nemocniční záchrannou sítí v Nové Anglii, která poskytuje péči lidem s nízkým příjmem a nepojištěným. A použili jsme datový soubor, který zahrnoval elektronické lékařské záznamy od roku 1999 do roku 2014 asi 11 000 pacientů, kteří byli pro nás anonymní.
Tito pacienti měli zaznamenané tři nebo více testů hladiny glukózy, předpis alespoň jednoho léčiva na regulaci hladiny glukózy v krvi a nezaznamenali žádnou diagnózu diabetu typu 1, která obvykle začíná v dětství. Měli jsme také přístup k demografickým údajům každého pacienta, jakož i jejich výšku, hmotnost, index tělesné hmotnosti a historii léků na předpis.
Dále jsme vyvinuli algoritmus, který přesně označí, kdy každá linie terapie skončila a další začala, podle toho, kdy se v údajích elektronického lékařského záznamu změnila kombinace léků předepsaných pacientům. Algoritmus uvažoval o 13 možných lékových režimech.
Pro každého pacienta algoritmus zpracoval nabídku dostupných možností léčby. To zahrnovalo současnou léčbu pacienta i léčbu jeho 30 „nejbližších sousedů“ z hlediska podobnosti jejich demografické a lékařské anamnézy k predikci potenciálních účinků každého lékového režimu. Algoritmus předpokládal, že pacient zdědí průměrný výsledek svých nejbližších sousedů.
Pokud algoritmus zjistil značný potenciál pro zlepšení, nabídl změnu v léčbě; pokud ne, algoritmus navrhl, aby pacient zůstal ve svém stávajícím režimu. Ve dvou třetinách vzorku pacienta algoritmus nenavrhl změnu.
Pacienti, kteří podstoupili novou léčbu v důsledku algoritmu, viděli dramatické výsledky. Když se návrh systému lišil od standardu péče, byla pozorována průměrná výhodná změna hemoglobinu o 0, 44 procenta při každé návštěvě lékaře ve srovnání s historickými údaji. Toto je smysluplné, medicínské materiální zlepšení.
Na základě úspěchu naší studie organizujeme klinické hodnocení s Massachusetts General Hospital. Věříme, že náš algoritmus by mohl být použitelný na jiná onemocnění, včetně rakoviny, Alzheimerovy choroby a kardiovaskulárních chorob.
Je profesionálně uspokojivé a osobně potěšitelné pracovat na průlomovém projektu, jako je tento. Čtením anamnézy osoby jsme schopni přizpůsobit specifické léčby konkrétním pacientům a poskytnout jim účinnější terapeutické a preventivní strategie. Naším cílem je dát každému největší možnou příležitost ke zdravějšímu životu.
Nejlepší ze všeho je, že vím, že moje máma by byla pyšná.
Tento článek byl původně publikován v The Conversation.
Dimitris Bertsimas, profesor aplikované matematiky, MIT Sloan School of Management
