Kui inimesed küsivad minult, miks ma, rakendusmatemaatik, diabeeti uurin, ütlen neile, et olen motiveeritud nii teaduslikel kui ka inimlikel põhjustel.
Seotud sisu
- Sääskedest inspireeritud veremonitooringu seade
- Inimesed on suurandmeid kasutanud alates 1600. aastatest
II tüübi diabeet jookseb minu peres. Mu vanaisa suri haigusseisundiga seotud tüsistustesse. Minu emal diagnoositi haigus, kui olin 10-aastane ja tädi Zacharoula kannatas selle all. Olen ise diabeedieelne.
Teismelisena mäletan, et mind tabas tõsiasi, et mu ema ja tema õde said vastavatelt arstidelt erinevat ravi. Mu ema ei võtnud kunagi insuliini, hormooni, mis reguleerib veresuhkru taset; selle asemel sõi ta piiratud dieeti ja võttis muid suukaudseid ravimeid. Tädi Zacharoula seevastu tegi iga päev mitu süsti insuliini.
Ehkki neil oli sama pärand, sama vanemlik DNA ja sama haigus, erinesid nende meditsiinilised trajektoorid. Mu ema suri 2009. aastal 75-aastaselt ja tädi suri samal aastal 78-aastaselt, kuid tegeles elu jooksul paljude tõsisemate kõrvaltoimetega.
Kui neid diagnoositi 1970. aastatel, ei olnud andmeid, mis näitaksid, milline ravim on konkreetse patsiendi populatsiooni jaoks kõige tõhusam.
Täna elab suhkruhaigusega 29 miljonit ameeriklast. Ja nüüd, arenevas täppismeditsiini ajastul, on asjad teisiti.
Suurem juurdepääs genoomilise teabe kogumikele ja elektrooniliste haiguslugude üha suurem kasutamine koos uute masinõppe meetoditega võimaldavad teadlastel töödelda suures mahus andmeid. See kiirendab püüdlusi haiguste - sealhulgas diabeedi - geneetiliste erinevuste mõistmiseks ja nende raviviiside väljatöötamiseks. Minus teadlane tunneb võimas soovi sellest osa saada.
Suurte andmete kasutamine ravi optimeerimiseks
Minu õpilased ja mina oleme välja töötanud andmepõhise algoritmi isikustatud diabeediravi jaoks, millel on meie arvates potentsiaal parandada miljonite selle haigusega elavate ameeriklaste tervist.
See toimib nii: algoritm kaevandab patsiendi ja ravimi andmed, leiab tema haigusloo põhjal, mis on konkreetse patsiendi jaoks kõige olulisem, ja annab seejärel soovituse, kas mõni muu ravi või ravim oleks tõhusam. Inimteadmised pakuvad mõistatuse kriitilise kolmanda osa.
Lõppude lõpuks teevad arstid patsientide hariduse, oskused ja suhted patsientidega teadlikke otsuseid võimalike ravikuuride kohta.
Tegime oma uuringud partnerluse kaudu Bostoni meditsiinikeskusega, mis on Uus-Inglismaa suurim turvavõrgu haigla, mis pakub hooldust madalama sissetulekuga ja kindlustamata inimestele. Ja me kasutasime andmekogumit, mis hõlmas elektroonilisi haiguslugusid aastatel 1999–2014 umbes 11 000 patsiendi kohta, kes olid meile anonüümsed.
Nendel patsientidel oli registreeritud kolm või enam glükoositaseme testi, retsept vähemalt ühele veresuhkru taset reguleerivale ravimile ega olnud 1. tüüpi diabeedi diagnoosi, mis algab tavaliselt lapseeas. Samuti oli meil juurdepääs iga patsiendi demograafilistele andmetele, samuti nende pikkusele, kehakaalule, kehamassiindeksile ja retseptiravimite ajaloole.
Järgmisena töötasime välja algoritmi, mis võimaldab täpselt märkida, millal iga raviviis lõppes ja järgmine hakkas, vastavalt sellele, millal muutus patsientidele välja kirjutatud ravimite kombinatsioon elektroonilises haigusloo andmetes. Algoritm kaalus 13 võimalikku raviskeemi.
Iga patsiendi jaoks töötles algoritm saadaolevate ravivõimaluste menüüd. See hõlmas nii patsiendi praegust ravi kui ka tema 30 lähima naabri ravi demograafilise ja haigusloo sarnasuse osas, et ennustada iga ravimirežiimi võimalikku mõju. Algoritm eeldas, et patsient pärib lähimate naabrite keskmise tulemuse.
Kui algoritm leidis olulist paranemispotentsiaali, pakkus see muutust käsitluses; kui ei, siis soovitas algoritm patsiendil jääda oma olemasolevale režiimile. Kahe kolmandiku patsiendi valimis ei pakkunud algoritm muudatust.
Patsiendid, kes said algoritmi tulemusel uut ravi, nägid dramaatilisi tulemusi. Kui süsteemi soovitus erines hooldusstandardist, täheldati varasemate andmetega võrreldes iga arsti visiidi korral hemoglobiini keskmist kasulikku muutust 0, 44 protsenti. See on sisuline, meditsiiniliselt oluline edasiminek.
Uuringu õnnestumise põhjal korraldame kliinilise uuringu Massachusettsi üldhaiglas. Usume, et meie algoritm võib olla rakendatav ka muude haiguste, sealhulgas vähi, Alzheimeri tõve ja südame-veresoonkonna haiguste korral.
Sellise läbimurdeprojekti kallal töötamine on professionaalselt rahuldust pakkuv ja isiklikult rõõmustav. Lugedes inimese haiguslugu, suudame kohandada konkreetseid ravimeetodeid konkreetsetele patsientidele ja pakkuda neile tõhusamaid terapeutilisi ja ennetavaid strateegiaid. Meie eesmärk on anda kõigile võimalikult suur võimalus tervislikumaks eluks.
Mis kõige parem, ma tean, et mu ema oleks uhke.
See artikkel avaldati algselt lehel The Conversation.
Dimitris Bertsimas, MIT Sloani juhtimiskooli rakendusmatemaatika professor
