Wanneer mensen mij vragen waarom ik, een toegepaste wiskundige, diabetes bestudeer, vertel ik hen dat ik gemotiveerd ben om zowel wetenschappelijke als menselijke redenen.
gerelateerde inhoud
- Een bloedbewakingsapparaat geïnspireerd door muggen
- Mensen gebruiken big data sinds de jaren 1600
Type 2 diabetes komt voor in mijn familie. Mijn grootvader stierf aan complicaties die verband hielden met de aandoening. Mijn moeder werd gediagnosticeerd met de ziekte toen ik 10 jaar oud was, en mijn tante Zacharoula leed eraan. Ik ben zelf pre-diabetes.
Als tiener herinner ik me dat ik werd getroffen door het feit dat mijn moeder en haar zus verschillende behandelingen van hun respectieve artsen ontvingen. Mijn moeder heeft nooit insuline genomen, een hormoon dat de bloedsuikerspiegel reguleert; in plaats daarvan at ze een beperkt dieet en nam ze andere orale medicijnen. Tante Zacharoula nam daarentegen elke dag verschillende injecties met insuline.
Hoewel ze hetzelfde erfgoed hadden, hetzelfde ouderlijk DNA en dezelfde ziekte, liepen hun medische trajecten uiteen. Mijn moeder stierf in 2009 op 75-jarige leeftijd en mijn tante stierf in hetzelfde jaar op 78-jarige leeftijd, maar in de loop van haar leven kreeg ze veel meer ernstige bijwerkingen.
Toen ze in de jaren zeventig werden gediagnosticeerd, waren er geen gegevens om aan te tonen welk medicijn het meest effectief was voor een specifieke patiëntenpopulatie.
Vandaag leven 29 miljoen Amerikanen met diabetes. En nu, in een opkomend tijdperk van precisiegeneeskunde, zijn de dingen anders.
Verbeterde toegang tot grote hoeveelheden genomische informatie en het toenemende gebruik van elektronische medische dossiers, in combinatie met nieuwe methoden voor machine learning, stellen onderzoekers in staat grote hoeveelheden gegevens te verwerken. Dit versnelt de inspanningen om genetische verschillen binnen ziekten - inclusief diabetes - te begrijpen en om behandelingen voor hen te ontwikkelen. De wetenschapper in mij voelt een krachtig verlangen om deel te nemen.
Big data gebruiken om de behandeling te optimaliseren
Mijn studenten en ik hebben een datagestuurd algoritme ontwikkeld voor gepersonaliseerd diabetesbeheer dat volgens ons het potentieel heeft om de gezondheid van de miljoenen Amerikanen die met de ziekte leven te verbeteren.
Het werkt als volgt: het algoritme verzamelt patiënt- en medicijngegevens, vindt op basis van zijn of haar medische geschiedenis het meest relevante voor een bepaalde patiënt en doet vervolgens een aanbeveling of een andere behandeling of medicijn effectiever zou zijn. Menselijke expertise biedt een cruciaal derde deel van de puzzel.
Het zijn tenslotte de artsen die de opleiding, vaardigheden en relaties met patiënten hebben die weloverwogen beslissingen nemen over mogelijke behandelingskuren.
We hebben ons onderzoek uitgevoerd via een partnerschap met Boston Medical Center, het grootste vangnetziekenhuis in New England dat zorg biedt aan mensen met een lager inkomen en onverzekerde mensen. En we gebruikten een gegevensset met de elektronische medische dossiers van 1999 tot 2014 van ongeveer 11.000 patiënten die anoniem voor ons waren.
Deze patiënten hadden drie of meer glucoseniveaus geregistreerd, een recept voor ten minste één bloedglucoseregulatiemiddel en geen geregistreerde diagnose van type 1 diabetes, die meestal in de kindertijd begint. We hadden ook toegang tot de demografische gegevens van elke patiënt, evenals hun lengte, gewicht, body mass index en medicijngeschiedenis.
Vervolgens ontwikkelden we een algoritme om precies te markeren wanneer elke therapielijn eindigde en de volgende begon, afhankelijk van wanneer de combinatie van medicijnen die aan de patiënten was voorgeschreven, veranderde in de elektronische medische gegevens. Alles bij elkaar genomen beschouwde het algoritme 13 mogelijke medicatieregimes.
Voor elke patiënt verwerkte het algoritme het menu met beschikbare behandelingsopties. Dit omvatte de huidige behandeling van de patiënt, evenals de behandeling van zijn of haar 30 "naaste buren" in termen van de gelijkenis van hun demografische en medische geschiedenis om potentiële effecten van elk medicijnregime te voorspellen. Het algoritme veronderstelde dat de patiënt de gemiddelde uitkomst van zijn of haar naaste buren zou erven.
Als het algoritme een aanzienlijk potentieel voor verbetering zag, bood het een verandering in behandeling; zo niet, dan suggereerde het algoritme dat de patiënt zijn bestaande regime zou blijven volgen. In tweederde van het patiëntenmonster stelde het algoritme geen verandering voor.
De patiënten die wel nieuwe behandelingen kregen als gevolg van het algoritme, zagen dramatische resultaten. Wanneer de suggestie van het systeem verschilde van de zorgstandaard, werd een gemiddelde gunstige verandering in het hemoglobine van 0, 44 procent waargenomen bij het bezoek van elke arts, vergeleken met historische gegevens. Dit is een betekenisvolle, medisch materiële verbetering.
Op basis van het succes van onze studie organiseren we een klinische proef met het Massachusetts General Hospital. Wij geloven dat ons algoritme kan worden toegepast op andere ziekten, waaronder kanker, Alzheimer en hart- en vaatziekten.
Het is professioneel bevredigend en persoonlijk verheugend om te werken aan een doorbraakproject zoals dit. Door de medische geschiedenis van een persoon te lezen, kunnen we specifieke behandelingen afstemmen op specifieke patiënten en hen voorzien van effectievere therapeutische en preventieve strategieën. Ons doel is om iedereen de grootst mogelijke kans te geven voor een gezonder leven.
Het beste van alles, ik weet dat mijn moeder trots zou zijn.
Dit artikel is oorspronkelijk gepubliceerd op The Conversation.
Dimitris Bertsimas, hoogleraar Toegepaste wiskunde, MIT Sloan School of Management
