Når folk spør meg hvorfor jeg, en anvendt matematiker, studerer diabetes, forteller jeg dem at jeg er motivert av både vitenskapelige og menneskelige grunner.
Relatert innhold
- En blodovervåkende enhet inspirert av mygg
- Folk har brukt big data siden 1600-tallet
Type 2 diabetes kjører i familien min. Bestefaren min døde av komplikasjoner knyttet til tilstanden. Moren min fikk diagnosen sykdommen da jeg var 10 år gammel, og min tante Zacharoula led av den. Selv er jeg pre-diabetiker.
Som tenåring husker jeg at jeg ble rammet av at min mor og søsteren hennes fikk forskjellige behandlinger fra sine respektive leger. Min mor tok aldri insulin, et hormon som regulerer blodsukkernivået; I stedet spiste hun et begrenset kosthold og tok andre orale medisiner. Tante Zacharoula tok derimot flere injeksjoner med insulin hver dag.
Selv om de hadde den samme arven, den samme foreldrenes DNA og den samme sykdommen, divergerte deres medisinske bane. Moren min døde i 2009 i en alder av 75 år, og tanten min døde samme år i en alder av 78 år, men i løpet av livet hennes tok det opp mange alvorligere bivirkninger.
Da de ble diagnostisert tilbake på 1970-tallet, var det ingen data som viste hvilken medisin som var mest effektiv for en spesifikk pasientpopulasjon.
I dag lever 29 millioner amerikanere med diabetes. Og nå, i en nye epoke av presisjonsmedisin, er ting annerledes.
Økt tilgang til troves av genomisk informasjon og den økende bruken av elektroniske medisinske poster, kombinert med nye metoder for maskinlæring, lar forskere behandle store mengder data. Dette er en akselererende innsats for å forstå genetiske forskjeller innen sykdommer - inkludert diabetes - og å utvikle behandlinger for dem. Forskeren i meg føler et kraftig ønske om å delta.
Bruke store data for å optimalisere behandlingen
Mine studenter og jeg har utviklet en datadrevet algoritme for personlig tilpasset diabeteshåndtering som vi mener har potensial til å forbedre helsen til de millioner av amerikanere som lever med sykdommen.
Det fungerer slik: Algoritmen utvinner pasient- og medikamentdata, finner det som er mest relevant for en bestemt pasient basert på hans eller hennes medisinske historie og deretter gir en anbefaling om en annen behandling eller medisin vil være mer effektiv. Menneskelig ekspertise gir en kritisk tredje del av puslespillet.
Det er tross alt legene som har utdanning, ferdigheter og forhold til pasienter som gjør informerte vurderinger om potensielle behandlingsforløp.
Vi utførte vår forskning gjennom et samarbeid med Boston Medical Center, det største sikkerhetsnett sykehuset i New England som gir omsorg for personer med lavere inntekt og uforsikrede mennesker. Og vi brukte et datasett som involverte de elektroniske medisinske journalene fra 1999 til 2014 av rundt 11 000 pasienter som var anonyme for oss.
Disse pasientene hadde tre eller flere glukosenivåundersøkelser, en resept på minst ett medisin for blodsukkeregulering, og ingen registrert diagnose av diabetes type 1, som vanligvis begynner i barndommen. Vi hadde også tilgang til hver pasients demografiske data, samt deres høyde, vekt, kroppsmasseindeks og reseptbelagte medisinhistorie.
Deretter utviklet vi en algoritme for å markere nøyaktig når hver behandlingslinje sluttet og den neste begynte, i henhold til når kombinasjonen av medisiner foreskrevet til pasientene endret seg i de elektroniske journaldataene. Alt i alt vurderte algoritmen 13 mulige medisinregimer.
For hver pasient behandlet algoritmen menyen med tilgjengelige behandlingsalternativer. Dette inkluderte pasientens nåværende behandling, samt behandlingen av hans eller hennes 30 "nærmeste naboer" med tanke på likheten i deres demografiske og medisinske historie for å forutsi potensielle effekter av hvert medikamentregime. Algoritmen antok at pasienten ville arve det gjennomsnittlige utfallet av sine nærmeste naboer.
Hvis algoritmen oppdaget et betydelig forbedringspotensial, bød den på en endring i behandlingen; hvis ikke, antydet algoritmen at pasienten skulle være på sitt eksisterende regime. Hos to tredjedeler av pasientprøven foreslo ikke algoritmen en endring.
Pasientene som fikk nye behandlinger som et resultat av algoritmen, så dramatiske resultater. Når systemets forslag var forskjellig fra standard for omsorg, ble en gjennomsnittlig gunstig endring i hemoglobin på 0, 44 prosent observert ved hvert legebesøk, sammenlignet med historiske data. Dette er en meningsfull, medisinsk materiell forbedring.
Basert på suksessen til studien, organiserer vi en klinisk studie med Massachusetts General Hospital. Vi tror at algoritmen vår kan være relevant for andre sykdommer, inkludert kreft, Alzheimers og hjerte- og karsykdommer.
Det er profesjonelt tilfredsstillende og personlig gledelig å jobbe med et banebrytende prosjekt som dette. Ved å lese en persons sykehistorie, er vi i stand til å skreddersy spesifikke behandlinger til spesifikke pasienter og gi dem mer effektive terapeutiske og forebyggende strategier. Målet vårt er å gi alle størst mulig mulighet for et sunnere liv.
Det beste av alt, jeg vet at mamma ville være stolt.
Denne artikkelen ble opprinnelig publisert på The Conversation.
Dimitris Bertsimas, professor i anvendt matematikk, MIT Sloan School of Management
