Када ме људи питају зашто ја, примењени математичар, проучавам дијабетес, кажем им да сам мотивисан и из научних и из људских разлога.
Сличан садржај
- Уређај за надгледање крви инспириран комарцима
- Људи су користили велике податке од 1600-их
Дијабетес типа 2 постоји у мојој породици. Мој деда је умро од компликација повезаних са стањем. Мојој мајци је дијагностификована болест када ми је било 10 година, а моја тетка Захароула је патила од ње. И ја сам пре-дијабетичар.
Као тинејџер се сећам да ме је погодила чињеница да су моја мајка и њена сестра примале различите третмане од својих лекара. Моја мајка никада није узимала инсулин, хормон који регулише ниво шећера у крви; уместо тога, јела је ограничену дијету и узимала друге оралне лекове. Тета Зацхароула је, с друге стране, узимала неколико ињекција инсулина сваки дан.
Иако су имали исто наслеђе, исту родитељску ДНК и исту болест, медицинске путање им се разилазе. Моја мајка је умрла 2009. у 75. години живота, а моја тета је умрла исте године у 78. години живота, али током живота суочила се са много озбиљнијим нуспојавама.
Када су им дијагностициране 1970-их, није било података који би показали који је лек најефикаснији за одређену популацију пацијената.
Данас 29 милиона Американаца живи са дијабетесом. А сада, у надолазећој ери прецизне медицине, ствари су другачије.
Повећани приступ врстама геномских информација и све већа употреба електронских медицинских картона у комбинацији са новим методама машинског учења омогућавају истраживачима да обрађују велике количине података. Ово убрзава напоре за разумевање генетских разлика унутар болести - укључујући дијабетес - и за развој лечења за њих. Научник у мени осећа снажну жељу да учествује.
Коришћење великих података за оптимизацију лечења
Моји студенти и ја развили смо алгоритам заснован на подацима за персонализовано управљање дијабетесом за који верујемо да има потенцијал за побољшање здравља милиона Американаца који живе са болешћу.
Делује овако: Алгоритам уклања податке о пацијенту и лековима, проналази оно што је најважније за одређеног пацијента на основу његове анамнезе и затим даје препоруку да ли би други третман или лек био ефикаснији. Људска стручност даје критични трећи део слагалице.
Уосталом, лекари имају образовање, вештине и односе са пацијентима који доносе прослеђене процене о потенцијалним курсевима лечења.
Наше истраживање спровели смо кроз партнерство са Медицинским центром у Бостону, највећом болницом за заштитне мреже у Новој Енглеској која пружа збрињавање људи са нижим примањима и несигуранима. И користили смо скуп података који су укључивали електронске медицинске податке од 1999. до 2014. о око 11.000 пацијената који су нам били анонимни.
Ови пацијенти су имали три или више тестова нивоа глукозе, прописивали су бар један лек за регулисање глукозе у крви и нису забележили дијагнозу дијабетеса типа 1, која обично почиње у детињству. Такође смо имали приступ демографским подацима сваког пацијента, као и њиховој висини, тежини, индексу телесне масе и историји лекова на рецепт.
Затим смо развили алгоритам да тачно обележимо када се заврши свака линија терапије и започне следећа, у складу са тим када се комбинација лекова који су прописани пацијентима променила у подацима електронског медицинског картона. Све у свему, алгоритам је размотрио 13 могућих режима лекова.
За сваког пацијента алгоритам је обрађивао мени доступних опција лечења. Ово укључује пацијентово тренутно лечење, као и третман његових 30 „најближих комшија“ у погледу сличности њихове демографске и медицинске историје ради предвиђања потенцијалних ефеката сваког режима лечења. Алгоритам је претпостављао да ће пацијент наследити просечан исход својих најближих комшија.
Ако је алгоритам уочио значајан потенцијал за побољшање, понудио је промену третмана; ако не, алгоритам је предложио да пацијент остане у свом постојећем режиму. У две трећине узорка пацијента алгоритам није предложио промену.
Пацијенти који су примили нова лечења као резултат алгоритма видели су драматичне резултате. Када се сугестија система разликовала од стандарда неге, примећена је просечна корисна промена хемоглобина од 0, 44 процента током сваке посете лекару, у поређењу са историјским подацима. Ово је смислено, медицински материјално унапређење.
На основу успеха наше студије, организујемо клиничко испитивање са Опћом болницом у Масачусетсу. Верујемо да би наш алгоритам могао бити применљив и на друге болести, укључујући рак, Алзхеимерову болест и кардиоваскуларне болести.
Професионално је задовољавајуће и лично захвално радити на пробојном пројекту попут овог. Читајући нечију медицинску историју у могућности смо да прилагодимо специфичне третмане специфичним пацијентима и пружимо им ефикасније терапијске и превентивне стратегије. Наш циљ је да свима пружимо највећу могућу прилику за здравији живот.
Најбоље од свега, знам да би моја мама била поносна.
Овај чланак је првобитно објављен у часопису Тхе Цонверсатион.
Димитрис Бертсимас, професор примењене математике на МИТ Слоан Сцхоол оф Манагемент
