Когато хората ме питат защо аз, приложен математик, изучавам диабет, аз им казвам, че съм мотивиран както по научни, така и по човешки причини.
Свързано съдържание
- Устройство за мониторинг на кръвта, вдъхновено от комарите
- Хората са използвали големи данни от 1600-те
Диабет тип 2 протича в моето семейство. Дядо ми почина от усложнения, свързани със състоянието. Майка ми беше диагностицирана с болестта, когато бях на 10 години, а леля ми Захарула страдаше от нея. Самата аз съм преддиабетна.
Като тийнейджър си спомням, че бях поразен от факта, че майка ми и сестра й получиха различни лечения от съответните си лекари. Майка ми никога не е приемала инсулин, хормон, който регулира нивата на кръвната захар; вместо това тя яде ограничена диета и приема други перорални лекарства. Леля Захарула, от друга страна, вземаше няколко инжекции инсулин всеки ден.
Въпреки че са имали същото наследство, една и съща родителска ДНК и същата болест, техните медицински траектории се разминават. Майка ми почина през 2009 г. на 75-годишна възраст, а леля ми почина същата година на 78-годишна възраст, но през целия си живот се справи с много по-сериозни странични ефекти.
Когато са били диагностицирани през 70-те години, няма данни, които да показват кое лекарство е най-ефективно за конкретна популация от пациенти.
Днес 29 милиона американци живеят с диабет. И сега, в една нова ера на прецизната медицина, нещата са различни.
Увеличеният достъп до геномна информация и нарастващата употреба на електронни медицински записи, съчетани с нови методи за машинно обучение, позволяват на изследователите да обработват данни с големи количества. Това ускорява усилията за разбиране на генетичните различия в болестите - включително диабета - и за разработване на лечение за тях. Ученият в мен изпитва силно желание да участва.
Използване на големи данни за оптимизиране на лечението
Моите студенти и аз разработихме управляван от данни алгоритъм за персонализирано управление на диабета, който според нас има потенциал да подобри здравето на милионите американци, живеещи с болестта.
Той работи така: Алгоритъмът изкопава данните за пациентите и лекарствата, намира кое е най-подходящо за конкретен пациент въз основа на неговата медицинска история и след това прави препоръка дали друго лечение или лекарство би било по-ефективно. Човешкият опит предоставя критично трето парче от пъзела.
В крайна сметка, лекарите имат образованието, уменията и връзките с пациентите, които правят информирани преценки за потенциалните курсове на лечение.
Проведохме нашето изследване чрез партньорство с Бостънски медицински център, най-голямата болница за безопасност в Нова Англия, която осигурява грижи за хора с по-ниски доходи и неосигурени хора. И използвахме набор от данни, който включваше електронните медицински записи от 1999 г. до 2014 г. за около 11 000 пациенти, които бяха анонимни за нас.
Тези пациенти са имали три или повече теста за ниво на глюкоза, предписани са поне едно лекарство за регулиране на кръвната захар и няма записана диагноза диабет тип 1, която обикновено започва в детството. Също така имахме достъп до демографските данни на всеки пациент, както и до техния ръст, тегло, индекс на телесна маса и история на лекарствата, отпускани по лекарско предписание.
На следващо място, ние разработихме алгоритъм, за да отбележим точно кога всяка линия на терапията приключва и следващата започва, в зависимост от това, когато комбинацията от лекарства, предписани на пациентите, се промени в данните на електронния медицински запис. Всичко казано, алгоритъмът разгледа 13 възможни режима на наркотици.
За всеки пациент алгоритъмът обработва менюто на наличните възможности за лечение. Това включва и текущото лечение на пациента, както и лечението на неговите 30 „най-близки съседи“ по отношение на сходството на тяхната демографска и медицинска история с прогнозиране на потенциалните ефекти на всеки лекарствен режим. Алгоритъмът предполагаше, че пациентът ще наследи средния резултат от най-близките си съседи.
Ако алгоритъмът забележи значителен потенциал за подобрение, той предложи промяна в лечението; ако не, алгоритъмът предложи на пациента да остане на съществуващия си режим. В две трети от пробата на пациента алгоритъмът не предлага промяна.
Пациентите, които получиха нови лечения в резултат на алгоритъма, видяха драматични резултати. Когато предложението на системата се различава от стандарта на лечение, се наблюдава средна полезна промяна в хемоглобина от 0, 44 процента при всяко посещение на лекар в сравнение с исторически данни. Това е значимо, медицинско материално подобрение.
Въз основа на успеха на нашето проучване ние организираме клинично изпитване с Обща болница в Масачузетс. Вярваме, че нашият алгоритъм може да бъде приложим за други заболявания, включително рак, Алцхаймер и сърдечно-съдови заболявания.
Професионално е удовлетворяващо и лично приятно да работя по пробивния проект като този. Четейки медицинската история на човек, ние сме в състояние да приспособим специфични лечения към конкретни пациенти и да им предоставим по-ефективни терапевтични и превантивни стратегии. Нашата цел е да дадем на всички възможно най-голяма възможност за по-здравословен живот.
Най-хубавото е, че знам, че майка ми ще се гордее.
Тази статия първоначално е публикувана в The Conversation.
Димитрис Берцимас, професор по приложна математика, MIT Sloan School of Management
