Kun ihmiset kysyvät, miksi minä, soveltuva matemaatikko, opiskelen diabetestä, sanon heille, että olen motivoitunut sekä tieteellisistä että inhimillisistä syistä.
Asiaan liittyvä sisältö
- Hyttysten inspiroima verenvalvontalaite
- Ihmiset ovat käyttäneet suuria tietoja 1600-luvulta lähtien
Tyypin 2 diabetes kulkee perheessäni. Isoisäni kuoli sairauteen liittyvissä komplikaatioissa. Äidilläni diagnosoitiin tauti, kun olin 10-vuotias, ja tätini Zacharoula kärsi siitä. Olen itse diabeetikko.
Teini-ikäisenä muistan hämmästyneen siitä, että äitini ja sisareni saivat erilaisia hoitoja lääkäreiltään. Äitini ei koskaan ottanut insuliinia, hormonia, joka säätelee verensokeritasoja; sen sijaan hän söi rajoitetun ruokavalion ja otti muita suun kautta otettavia lääkkeitä. Zacharoula-täti puolestaan teki useita injektioita insuliinia päivässä.
Vaikka heillä oli sama perintö, sama vanhempien DNA ja sama sairaus, heidän lääketieteelliset suuntauksensa erottuivat. Äitini kuoli vuonna 2009 75-vuotiaana ja tätini kuoli samana vuonna 78-vuotiaana, mutta elämänsä aikana hän käsitteli monia vakavampia sivuvaikutuksia.
Kun ne diagnosoitiin takaisin 1970-luvulla, ei ollut tietoja, jotka osoittaisivat, mikä lääke oli tehokkain tietylle potilaspopulaatiolle.
Nykyään 29 miljoonaa amerikkalaista elää diabeteksen kanssa. Ja nyt nousevalla tarkkuuslääketieteen aikakaudella asiat ovat erilaiset.
Lisääntynyt pääsy genomitietoihin ja elektronisten sairauskertomusten lisääntynyt käyttö yhdistettynä uusiin koneoppimismenetelmiin antavat tutkijoille mahdollisuuden käsitellä suuria määriä tietoja. Tämä nopeuttaa pyrkimyksiä ymmärtää sairauksien - mukaan lukien diabetes - geneettiset erot ja kehittää niihin hoitomenetelmiä. Minussa oleva tutkija tuntee voimakkaan halun osallistua.
Suuret tiedot optimoivat hoidon
Opiskelijani ja minä olemme kehittäneet tietopohjaisen algoritmin henkilökohtaisen diabeteksen hallintaan, jolla uskomme olevan potentiaalia parantaa miljoonien amerikkalaisten terveyttä, jotka elävät sairauden mukana.
Se toimii näin: Algoritmi kaivaa potilaiden ja lääkkeiden tiedot, löytää se, mikä on potilaalle tärkeintä hänen sairaushistoriansa perusteella, ja antaa sitten suosituksen siitä, olisiko toinen hoito tai lääke tehokkaampi. Ihmisen asiantuntemus tarjoaa kriittisen kolmannen palapelin.
Loppujen lopuksi lääkäreillä on koulutus, taidot ja suhteet potilaisiin, jotka tekevät perusteltuja arvioita mahdollisista hoitosuodoista.
Suoritimme tutkimuksemme yhteistyössä Boston Medical Centerin kanssa, joka on New Englandin suurin turvaverkkosairaala, joka tarjoaa hoitoa pienituloisille ja vakuuttamattomille. Ja käytimme tietojoukkoa, joka sisälsi elektroniset sairaanhoitotiedot vuosina 1999 - 2014 noin 11 000 potilaasta, jotka olivat meille nimettömiä.
Näillä potilailla oli kolme tai useampia glukoositasotestit kirjaavana, resepti ainakin yhdelle verensokerin säätelylääkkeelle, eikä heillä ollut kirjallista tyypin 1 diabeteksen diagnoosia, joka alkaa yleensä lapsuudessa. Meillä oli myös pääsy jokaisen potilaan väestötietoihin, samoin kuin potilaan pituuteen, painoon, painoindeksiin ja reseptilääkehistoriaan.
Seuraavaksi kehitimme algoritmin, joka merkitsee tarkkaan, kun jokainen hoitosuunta päättyi ja seuraava aloitettiin, sen mukaan, milloin potilaille määrättyjen lääkkeiden yhdistelmä muuttui sähköisen sairaalarekisterin tiedoissa. Algoritmi harkitsi 13 mahdollista lääkehoitoa.
Jokaiselle potilaalle algoritmi käsitteli käytettävissä olevien hoitovaihtoehtojen valikon. Tähän sisältyy potilaan nykyinen hoito sekä hänen 30 "lähimmän naapurin" kohtelu demografisen ja sairaalahistoriansa samankaltaisuuden perusteella kunkin lääkeohjelman mahdollisten vaikutusten ennustamiseksi. Algoritmi olettaa, että potilas perii lähimpien naapureidensa keskimääräisen tuloksen.
Jos algoritmi havaitsi huomattavia parannusmahdollisuuksia, se tarjosi muutoksen hoidossa; jos ei, algoritmi ehdotti potilaan pysyvän nykyisellä hoito-ohjelmallaan. Kahdella kolmasosalla potilasnäytteestä algoritmi ei ehdottanut muutosta.
Potilaat, jotka saivat uusia hoitoja algoritmin seurauksena, näkivät dramaattiset tulokset. Kun järjestelmän ehdotus oli erilainen kuin hoitotaso, havaittiin keskimäärin hyödyllinen hemoglobiinin muutos 0, 44 prosenttia kussakin lääkärikäynnissä verrattuna historiallisiin tietoihin. Tämä on merkityksellinen, lääketieteellisesti materiaalinen parannus.
Tutkimuksen menestyksen perusteella järjestämme kliinisen tutkimuksen Massachusetts General Hospital -sairaalassa. Uskomme algoritmiamme voitavan soveltaa muihin sairauksiin, kuten syöpään, Alzheimerin tautiin ja sydän- ja verisuonisairauksiin.
On ammatillisesti tyydyttävää ja henkilökohtaisesti ilahduttavaa työskennellä tämän kaltaisen läpimurtohankkeen kanssa. Lukemalla henkilön sairaushistorian pystymme räätälöimään erityisiä hoitoja tietyille potilaille ja tarjoamaan heille tehokkaampia terapeuttisia ja ehkäiseviä strategioita. Tavoitteenamme on antaa kaikille suurin mahdollinen mahdollisuus terveellisempään elämään.
Mikä parasta, tiedän, että äitini olisi ylpeä.
Tämä artikkeli on alun perin julkaistu keskustelussa.
Dimitris Bertsimas, sovelletun matematiikan professori, MIT Sloan Management School
