Apabila orang bertanya kepada saya mengapa saya, ahli matematik yang digunakan, belajar diabetes, saya memberitahu mereka bahawa saya termotivasi atas sebab saintifik dan manusia.
Kandungan Terkait
- Alat Kawalan Darah Diilhamkan oleh Nyamuk
- Orang telah Menggunakan Data Besar Sejak tahun 1600-an
Diabetes jenis 2 berjalan di dalam keluarga saya. Datuk saya mati akibat komplikasi yang berkaitan dengan keadaan ini. Ibu saya didiagnosis dengan penyakit itu ketika berusia 10 tahun, dan Bibi saya Zacharoula menderita. Saya sendiri pra-diabetes.
Sebagai seorang remaja, saya masih ingat bahawa ibu dan adik saya menerima rawatan yang berbeza dari doktor masing-masing. Ibu saya tidak pernah mengambil insulin, hormon yang mengawal paras gula darah; Sebaliknya, dia makan makanan yang terhad dan mengambil ubat oral lain. Bibi Zacharoula, sebaliknya, mengambil beberapa suntikan insulin setiap hari.
Walaupun mereka mempunyai warisan yang sama, DNA ibu bapa yang sama dan penyakit yang sama, trajektori perubatan mereka menyimpang. Ibu saya meninggal dunia pada tahun 2009 pada usia 75 tahun dan makcik saya meninggal pada tahun yang sama pada usia 78 tahun, tetapi sepanjang hidupnya banyak kesan sampingan yang serius.
Apabila mereka didiagnosis kembali pada tahun 1970-an, tidak ada data untuk menunjukkan ubat yang paling berkesan untuk populasi pesakit tertentu.
Hari ini, 29 juta rakyat Amerika hidup dengan diabetes. Dan sekarang, dalam era baru perubatan ketepatan, perkara-perkara yang berbeza.
Peningkatan akses kepada trout maklumat genom dan peningkatan penggunaan rekod perubatan elektronik, digabungkan dengan kaedah baru pembelajaran mesin, membolehkan para penyelidik memproses jumlah data yang banyak. Ini mempercepatkan usaha untuk memahami perbezaan genetik dalam penyakit - termasuk diabetes - dan untuk membangunkan rawatan untuk mereka. Ahli sains dalam saya merasakan hasrat kuat untuk mengambil bahagian.
Menggunakan data besar untuk mengoptimumkan rawatan
Saya dan pelajar saya telah membangunkan algoritma berasaskan data untuk pengurusan kencing manis peribadi yang kami percaya mempunyai potensi untuk meningkatkan kesihatan berjuta-juta rakyat Amerika yang hidup dengan penyakit ini.
Ia berfungsi seperti ini: Lambang algoritma data pesakit dan ubat, mendapati apa yang paling berkaitan dengan pesakit tertentu berdasarkan sejarah perubatannya dan kemudian membuat cadangan sama ada rawatan atau ubat lain akan lebih berkesan. Kepakaran manusia memberikan sekeping teka-teki ketiga yang penting.
Lagipun, para doktor yang mempunyai pendidikan, kemahiran dan hubungan dengan pesakit yang membuat pertimbangan bermaklumat tentang kursus rawatan yang potensial.
Kami menjalankan kajian kami melalui perkongsian dengan Pusat Perubatan Boston, hospital keselamatan terbesar di New England yang menyediakan penjagaan kepada golongan berpendapatan rendah dan orang yang tidak diinsuranskan. Dan kami menggunakan set data yang melibatkan rekod perubatan elektronik dari 1999 hingga 2014 daripada kira-kira 11, 000 pesakit yang tidak dikenali kepada kami.
Pesakit ini mempunyai tiga atau lebih tahap ujian glukosa pada rekod, preskripsi untuk sekurang-kurangnya satu ubat pengawalan glukosa darah, dan tiada diagnosis yang direkodkan terhadap diabetes jenis 1, yang biasanya bermula pada masa kanak-kanak. Kami juga mempunyai akses kepada data demografi setiap pesakit, serta ketinggian, berat badan, indeks jisim badan dan sejarah ubat preskripsi.
Seterusnya, kami membangunkan satu algoritma untuk menandakan dengan tepat apabila setiap baris terapi berakhir dan yang seterusnya bermula, mengikut ketika gabungan ubat-ubatan yang ditetapkan kepada pesakit berubah dalam data rekod perubatan elektronik. Semua memberitahu, algoritma itu menganggap 13 kemungkinan rejimen dadah.
Bagi setiap pesakit, algoritma memproses menu pilihan rawatan yang ada. Ini termasuk rawatan semasa pesakit, serta rawatan 30 "jiran terdekat" dari segi persamaan sejarah demografi dan perubatan mereka untuk meramalkan kesan potensi setiap rejimen ubat. Algoritma yang diasumsikan pesakit akan mewarisi hasil purata jiran terdekatnya.
Jika algoritma itu melihat potensi besar untuk penambahbaikan, ia menawarkan perubahan dalam rawatan; jika tidak, algoritma mencadangkan pesakit kekal pada rejimennya yang sedia ada. Dalam dua pertiga sampel pesakit, algoritma tidak mencadangkan perubahan.
Para pesakit yang menerima rawatan baru sebagai hasil daripada algoritma telah melihat hasil dramatik. Apabila cadangan sistem adalah berbeza daripada piawai penjagaan, perubahan purata berfaedah dalam hemoglobin sebanyak 0.44 peratus pada setiap lawatan doktor diperhatikan, berbanding dengan data sejarah. Ini adalah pembaikan bahan yang bermakna dan perubatan.
Berdasarkan kejayaan kajian kami, kami menganjurkan satu percubaan klinikal dengan Massachusetts General Hospital. Kami percaya algoritma kami boleh digunakan untuk penyakit lain, termasuk kanser, Alzheimer, dan penyakit kardiovaskular.
Ia adalah memuaskan dan secara peribadi memuaskan hati untuk bekerja pada projek terobosan seperti ini. Dengan membaca sejarah perubatan seseorang, kami dapat menyesuaikan rawatan spesifik kepada pesakit khusus dan memberi mereka strategi terapeutik dan pencegahan yang lebih berkesan. Matlamat kami adalah untuk memberi peluang kepada semua orang peluang hidup yang lebih baik.
Paling penting, saya tahu ibu saya akan bangga.
Artikel ini pada asalnya diterbitkan di The Conversation.
Dimitris Bertsimas, Profesor Matematik Gunaan, Sekolah Pengurusan MIT Sloan
