Когда меня спрашивают, почему я, прикладной математик, изучаю диабет, я отвечаю им, что у меня мотивация как по научным, так и по человеческим причинам.
Связанный контент
- Устройство для мониторинга крови, навеянное комарами
- Люди используют большие данные с 1600-х годов
Диабет 2 типа работает в моей семье. Мой дедушка умер от осложнений, связанных с состоянием. Моей матери был поставлен диагноз этого заболевания, когда мне было 10 лет, и моя тетя Захарула страдала от этого. Я сам до диабета.
Когда я был подростком, я помню, как меня поразил тот факт, что моя мать и ее сестра проходили различные курсы лечения у своих врачей. Моя мама никогда не принимала инсулин, гормон, который регулирует уровень сахара в крови; вместо этого она ела ограниченную диету и принимала другие оральные препараты. Тетя Захарула, с другой стороны, ежедневно делала несколько инъекций инсулина.
Хотя у них было то же наследие, та же самая родительская ДНК и та же болезнь, их медицинские траектории расходились. Моя мать умерла в 2009 году в возрасте 75 лет, а моя тетя умерла в том же году в возрасте 78 лет, но в течение своей жизни столкнулась со многими более серьезными побочными эффектами.
Когда они были диагностированы еще в 1970-х годах, не было данных, чтобы показать, какое лекарство было наиболее эффективным для конкретной группы пациентов.
Сегодня 29 миллионов американцев живут с диабетом. И сейчас, в эпоху точной медицины, все по-другому.
Расширение доступа к источникам геномной информации и растущее использование электронных медицинских карт в сочетании с новыми методами машинного обучения позволяют исследователям обрабатывать большие объемы данных. Это ускоряет попытки понять генетические различия в болезнях, включая диабет, и разработать методы их лечения. Ученый во мне испытывает сильное желание принять участие.
Использование больших данных для оптимизации лечения
Я и мои студенты разработали управляемый данными алгоритм для персонализированного лечения диабета, который, как мы считаем, может улучшить здоровье миллионов американцев, живущих с этой болезнью.
Он работает следующим образом: алгоритм копирует данные о пациенте и препарате, находит то, что наиболее актуально для конкретного пациента, на основании его или ее истории болезни, а затем дает рекомендацию о том, будет ли другое лечение или лекарство более эффективным. Человеческий опыт обеспечивает важную третью часть головоломки.
В конце концов, именно врачи, которые имеют образование, навыки и отношения с пациентами, делают обоснованные суждения о возможных курсах лечения.
Мы провели наше исследование в партнерстве с Бостонским медицинским центром, крупнейшей больницей сети социальной защиты в Новой Англии, которая оказывает помощь людям с низким доходом и незастрахованным. И мы использовали набор данных, который включал электронные медицинские записи с 1999 по 2014 год о примерно 11 000 пациентов, которые были анонимными для нас.
У этих пациентов было зарегистрировано три или более теста на уровень глюкозы в крови, выписан рецепт, по крайней мере, на одно лекарственное средство, регулирующее уровень глюкозы в крови, и не было зарегистрированного диагноза диабета 1 типа, который обычно начинается в детстве. У нас также был доступ к демографическим данным каждого пациента, их росту, весу, индексу массы тела и истории лекарств, отпускаемых по рецепту.
Затем мы разработали алгоритм, позволяющий точно определять, когда каждая линия терапии заканчивается и начинается следующая, в зависимости от того, когда комбинация лекарств, назначенных пациентам, изменилась в данных электронных медицинских карт. В общей сложности в алгоритме учтены 13 возможных схем приема лекарств.
Для каждого пациента алгоритм обработал меню доступных вариантов лечения. Это включало текущее лечение пациента, а также лечение его или ее 30 «ближайших соседей» с точки зрения сходства их демографического и медицинского анамнеза с целью прогнозирования потенциальных эффектов каждого режима приема лекарств. Алгоритм предполагал, что пациент будет наследовать средний результат своих ближайших соседей.
Если алгоритм обнаружил существенный потенциал для улучшения, он предложил изменение в лечении; если нет, алгоритм предложил пациенту остаться на его или ее существующем режиме. В двух третях выборки пациентов алгоритм не предлагал изменений.
Пациенты, которые получили новое лечение в результате алгоритма, увидели потрясающие результаты. Когда предложение системы отличалось от стандарта медицинской помощи, наблюдалось среднее положительное изменение гемоглобина на 0, 44 процента при каждом посещении врача по сравнению с историческими данными. Это значимое, с медицинской точки зрения, материальное улучшение.
Основываясь на успехе нашего исследования, мы организуем клиническое испытание в Массачусетской больнице общего профиля. Мы считаем, что наш алгоритм может быть применим к другим заболеваниям, включая рак, болезнь Альцгеймера и сердечно-сосудистые заболевания.
Профессионально приятно и лично приятно работать над таким прорывным проектом, как этот. Читая историю болезни человека, мы можем адаптировать конкретные методы лечения к конкретным пациентам и предоставить им более эффективные терапевтические и профилактические стратегии. Наша цель - предоставить каждому максимально возможную возможность для более здоровой жизни.
Лучше всего, я знаю, что моя мама будет гордиться.
Эта статья была первоначально опубликована на разговор.
Димитрис Берцимас, профессор прикладной математики, Школа менеджмента MIT Sloan
