Ko me ljudje vprašajo, zakaj jaz, uporabni matematik, študiram diabetes, jim rečem, da sem motiviran tako iz znanstvenih kot človeških razlogov.
Sorodne vsebine
- Naprava za spremljanje krvi, ki so jo navdihnili komarji
- Ljudje že od 1600-ih uporabljajo velike podatke
Sladkorna bolezen tipa 2 poteka v moji družini. Moj dedek je umrl zaradi zapletov, povezanih s stanjem. Moja mama je zbolela za diagnozo, ko sem bila stara 10 let, in zaradi tega je trpela moja teta Zacharoula. Sama sem pred diabetesom.
Kot najstnik se spominjam, da me je prizadelo dejstvo, da sta moja mama in njena sestra od svojih zdravnikov prejemali različne načine zdravljenja. Moja mati ni nikoli jemala inzulina, hormona, ki uravnava raven sladkorja v krvi; namesto tega je jedla omejeno dieto in jemala druga peroralna zdravila. Teta Zacharoula je po drugi strani vsak dan jemala več injekcij inzulina.
Čeprav so imeli isto dediščino, isto starševsko DNK in isto bolezen, so se njihove medicinske poti razhajale. Moja mati je umrla leta 2009 v 75. letu starosti, moja teta pa je istega leta umrla v starosti 78 let, vendar se je v svojem življenju soočila s številnimi resnejšimi stranskimi učinki.
Ko so jim v sedemdesetih letih postavili diagnozo, ni bilo podatkov, ki bi pokazali, katero zdravilo je za določeno populacijo bolnikov najučinkovitejše.
Danes 29 milijonov Američanov živi s sladkorno boleznijo. In zdaj, v nastajajoči dobi natančne medicine, so stvari drugačne.
Večji dostop do skupnih informacij o genomih in vse večja uporaba elektronskih zdravstvenih kartotek v kombinaciji z novimi metodami strojnega učenja omogočata raziskovalcem obdelavo podatkov v velikih količinah. To pospešuje prizadevanja za razumevanje genetskih razlik znotraj bolezni - vključno s sladkorno boleznijo - in za razvoj zdravljenja zanje. Znanstvenik v meni čuti močno željo po sodelovanju.
Uporaba velikih podatkov za optimizacijo zdravljenja
Moji študenti in jaz smo razvili podatkovni algoritem za prilagojeno upravljanje sladkorne bolezni, za katerega verjamemo, da lahko izboljša zdravje milijonov Američanov, ki živijo z boleznijo.
Deluje takole: algoritem izkopa podatke o bolniku in zdravilih, na podlagi njegove anamneze ugotovi, kaj je najbolj pomembno za posameznega pacienta, in nato poda priporočilo, ali bi bilo drugo zdravljenje ali zdravilo učinkovitejše. Človeško strokovno znanje je kritični tretji del sestavljanke.
Navsezadnje so zdravniki tisti, ki imajo izobrazbo, spretnosti in odnose s pacienti, ki presodijo o možnih tečajih zdravljenja.
Raziskavo smo izvedli s partnerstvom z Boston Medical Center, največjo bolnišnico za varnostne mreže v Novi Angliji, ki skrbi za ljudi z nižjimi dohodki in nezavarovane ljudi. In uporabili smo nabor podatkov, ki je vključeval elektronsko zdravstveno kartoteko od leta 1999 do 2014 približno 11.000 pacientov, ki so bili anonimni do nas.
Ti bolniki so imeli na snemanju tri ali več testov za določanje ravni glukoze, recept za vsaj eno zdravilo za uravnavanje glukoze v krvi in nobene zabeležene diagnoze diabetesa tipa 1, ki se običajno začne v otroštvu. Prav tako smo imeli dostop do demografskih podatkov vsakega bolnika, pa tudi njihove višine, teže, indeksa telesne mase in zgodovine zdravil na recept.
Nato smo razvili algoritem, s katerim natančno označimo, kdaj se je vsaka linija terapije končala in se je začela naslednja, glede na to, kdaj se je kombinacija zdravil, predpisanih pacientom, spremenila v podatke elektronskega zdravstvenega kartona. Po vsem povedanem je algoritem upošteval 13 možnih režimov uživanja drog.
Za vsakega bolnika je algoritem obdelal meni razpoložljivih možnosti zdravljenja. To je vključevalo bolnikovo trenutno zdravljenje, pa tudi zdravljenje njegovih 30 "najbližjih sosedov" glede na podobnost njihove demografske in zdravstvene anamneze za napovedovanje možnih učinkov vsakega zdravljenja. Algoritem je predvideval, da bo pacient podedoval povprečni rezultat svojih najbližjih sosedov.
Če je algoritem opazil velik potencial za izboljšanje, je ponudil spremembo zdravljenja; če ne, je algoritem predlagal, da pacient ostane pri svojem obstoječem režimu. Pri dveh tretjinah vzorca bolnika algoritem ni predlagal spremembe.
Bolniki, ki so bili zaradi algoritma deležni novih zdravljenj, so videli dramatične rezultate. Ko se je predlog sistema razlikoval od standarda oskrbe, so v primerjavi z zgodovinskimi podatki opazili povprečno koristno spremembo hemoglobina v višini 0, 44 odstotka ob vsakem obisku zdravnika. To je smiselno, medicinsko materialno izboljšanje.
Glede na uspeh naše študije organiziramo klinično preskušanje s splošno bolnišnico v Massachusettsu. Verjamemo, da bi bil naš algoritem uporaben za druge bolezni, vključno z rakom, Alzheimerjevo boleznijo in boleznimi srca in ožilja.
Delo na prelomnem projektu, kot je ta, je profesionalno zadovoljujoče in osebno razveseljivo. Z branjem zgodovine človeka lahko prilagajamo posebne načine zdravljenja določenim bolnikom in jim zagotovimo učinkovitejše terapevtske in preventivne strategije. Naš cilj je vsem omogočiti največjo možno priložnost za boljše življenje.
Najboljše od vsega, vem, da bi bila mama ponosna.
Ta članek je bil prvotno objavljen na pogovoru.
Dimitris Bertsimas, profesor uporabne matematike na MIT Sloan School of Management
