Kad me ljudi pitaju zašto ja, primijenjeni matematičar, studiram dijabetes, kažem im da sam motiviran i iz znanstvenih i iz ljudskih razloga.
Povezani sadržaj
- Uređaj za nadgledanje krvi inspiriran komarcima
- Ljudi su koristili velike podatke od 1600-ih
Dijabetes tipa 2 postoji u mojoj obitelji. Moj je djed umro od komplikacija povezanih sa stanjem. Mojoj je majci dijagnosticirana bolest kad sam imao 10 godina, a moja teta Zacharoula patila je od nje. I ja sam pred dijabetičar.
Kao tinejdžer sjećam se da me je pogodila činjenica da su moja majka i njena sestra primale različite tretmane od svojih liječnika. Moja majka nikad nije uzimala inzulin, hormon koji regulira razinu šećera u krvi; umjesto toga, jela je ograničenu dijetu i uzimala druge oralne lijekove. Teta Zacharoula, s druge strane, uzimala je nekoliko injekcija inzulina svaki dan.
Iako su imali istu baštinu, istu roditeljsku DNK i istu bolest, medicinski se putaci razišli. Moja je majka umrla 2009. godine u dobi od 75 godina, a moja teta umrla je iste godine u dobi od 78 godina, ali tijekom života suočila se s mnogim ozbiljnijim nuspojavama.
Kada su im dijagnosticirane 1970-ih, nije bilo podataka koji bi pokazali koji je lijek najučinkovitiji za određenu populaciju bolesnika.
Danas 29 milijuna Amerikanaca živi s dijabetesom. A sada, u nadolazećoj eri precizne medicine, stvari su drugačije.
Povećani pristup vrstama genomskih informacija i sve veća upotreba elektroničkih medicinskih kartona u kombinaciji s novim metodama strojnog učenja omogućavaju istraživačima da obrađuju velike količine podataka. To ubrzava napore za razumijevanje genetskih razlika unutar bolesti - uključujući dijabetes - i za razvoj liječenja za njih. Znanstvenik u meni osjeća snažnu želju za sudjelovanjem.
Korištenje velikih podataka za optimiziranje liječenja
Moji studenti i ja razvili smo algoritam temeljen na podacima za personalizirano upravljanje dijabetesom za koji vjerujemo da ima potencijal za poboljšanje zdravlja milijuna Amerikanaca koji žive s tom bolešću.
Radi ovako: Algoritam minira podatke o pacijentu i lijekovima, pronalazi ono što je najvažnije za određenog pacijenta na temelju njegove povijesti bolesti, a zatim daje preporuku o tome hoće li drugo liječenje ili lijek biti učinkovitiji. Ljudska stručnost daje kritični treći dio zagonetke.
Uostalom, liječnici imaju obrazovanje, vještine i odnose s pacijentima koji donose utemeljene prosudbe o potencijalnim tečajevima liječenja.
Istraživanje smo proveli kroz partnerstvo s Medicinskim centrom Boston, najvećom bolnicom za sigurnosne mreže u Novoj Engleskoj koja pruža zbrinjavanje ljudi s nižim primanjima i nezaposlenih. Koristili smo skup podataka koji su uključivali elektronički medicinski karton od 1999. do 2014. o oko 11.000 pacijenata koji su nam bili anonimni.
Ti su pacijenti imali tri ili više testova razine glukoze, propisali su barem jedan lijek za regulaciju glukoze u krvi i nisu zabilježili dijagnozu dijabetesa tipa 1, koja obično započinje u djetinjstvu. Također smo imali pristup demografskim podacima svakog pacijenta, kao i njihovoj visini, težini, indeksu tjelesne mase i povijesti lijekova na recept.
Zatim smo razvili algoritam da točno označimo kada se završava svaka linija terapije i započne sljedeća, prema onome kada se kombinacija lijekova koji su propisani pacijentima promijeni u podacima elektroničkog medicinskog kartona. Sve u svemu, algoritam je razmatrao 13 mogućih režima lijekova.
Za svakog pacijenta algoritam je obrađivao izbornik dostupnih opcija liječenja. To uključuje pacijentovo trenutno liječenje, kao i tretman njegovih 30 "najbližih susjeda" u pogledu sličnosti njihove demografske i medicinske povijesti kako bi se predvidjeli potencijalni učinci svakog režima liječenja. Algoritam je pretpostavljao da će pacijent naslijediti prosječni ishod svojih najbližih susjeda.
Ako je algoritam uočio značajan potencijal za poboljšanje, ponudio je promjenu liječenja; ako ne, algoritam je predložio da pacijent ostane u svom postojećem režimu. U dvije trećine uzorka bolesnika, algoritam nije predložio promjenu.
Pacijenti koji su primali nove tretmane kao rezultat algoritma vidjeli su dramatične rezultate. Kad se sugestija sustava razlikovala od standarda skrbi, primijećena je prosječna korisna promjena hemoglobina od 0, 44 posto pri svakom posjetu liječniku, u usporedbi s povijesnim podacima. Ovo je smisleno, medicinski materijalno poboljšanje.
Na temelju uspjeha naše studije, organiziramo kliničko ispitivanje s Općom bolnicom Massachusetts. Vjerujemo da bi naš algoritam mogao biti primjenjiv na druge bolesti, uključujući rak, Alzheimerovu bolest i kardiovaskularne bolesti.
Profesionalno je zadovoljno i osobno zahvalno raditi na probojnom projektu poput ovog. Čitajući nečiju medicinsku povijest, možemo prilagoditi specifične tretmane određenim pacijentima i pružiti im učinkovitije terapijske i preventivne strategije. Naš je cilj pružiti svima najveću moguću priliku za zdraviji život.
Najbolje od svega, znam da bi moja mama bila ponosna.
Ovaj je članak prvotno objavljen u časopisu The Conversation.
Dimitris Bertsimas, profesor primijenjene matematike na MIT Sloan School of Management
