Wenn mich jemand fragt, warum ich als angewandter Mathematiker Diabetes studiere, sage ich ihm, dass ich sowohl aus wissenschaftlichen als auch aus menschlichen Gründen motiviert bin.
Verwandte Inhalte
- Ein von Mücken inspiriertes Blutüberwachungsgerät
- Die Menschen nutzen Big Data seit dem 17. Jahrhundert
Typ-2-Diabetes tritt in meiner Familie auf. Mein Großvater starb an Komplikationen im Zusammenhang mit der Erkrankung. Als ich 10 Jahre alt war, wurde bei meiner Mutter die Krankheit diagnostiziert, und meine Tante Zacharoula litt darunter. Ich selbst bin Prä-Diabetiker.
Als Teenager erinnere ich mich an die Tatsache, dass meine Mutter und ihre Schwester unterschiedliche Behandlungen von ihren jeweiligen Ärzten erhielten. Meine Mutter hat nie Insulin genommen, ein Hormon, das den Blutzuckerspiegel reguliert. stattdessen aß sie eine begrenzte Diät und nahm andere orale Drogen. Tante Zacharoula hingegen nahm jeden Tag mehrere Insulinspritzen ein.
Obwohl sie dasselbe Erbe, dieselbe elterliche DNA und dieselbe Krankheit hatten, verliefen ihre medizinischen Flugbahnen unterschiedlich. Meine Mutter starb 2009 im Alter von 75 Jahren und meine Tante starb im selben Jahr im Alter von 78 Jahren, doch im Laufe ihres Lebens hatte sie mit vielen weiteren schwerwiegenden Nebenwirkungen zu kämpfen.
Als sie in den 1970er Jahren diagnostiziert wurden, gab es keine Daten, die zeigten, welches Arzneimittel für eine bestimmte Patientenpopulation am wirksamsten war.
Heute leben 29 Millionen Amerikaner mit Diabetes. Und jetzt, in einer aufkommenden Ära der Präzisionsmedizin, ist das anders.
Der verbesserte Zugang zu Beständen genomischer Informationen und die zunehmende Verwendung elektronischer Patientenakten in Kombination mit neuen Methoden des maschinellen Lernens ermöglichen es Forschern, große Datenmengen zu verarbeiten. Dies beschleunigt die Bemühungen, genetische Unterschiede innerhalb von Krankheiten - einschließlich Diabetes - zu verstehen und Behandlungen für diese zu entwickeln. Der Wissenschaftler in mir hat ein starkes Verlangen daran teilzunehmen.
Verwendung von Big Data zur Optimierung der Behandlung
Meine Studenten und ich haben einen datengesteuerten Algorithmus für die personalisierte Diabetes-Behandlung entwickelt, der unserer Ansicht nach die Gesundheit von Millionen von Amerikanern verbessern kann, die mit der Krankheit leben.
Dies funktioniert folgendermaßen: Der Algorithmus analysiert Patienten- und Medikamentendaten, ermittelt anhand der Krankengeschichte, welche Daten für einen bestimmten Patienten am relevantesten sind, und gibt dann eine Empfehlung ab, ob eine andere Behandlung oder ein anderes Medikament wirksamer wäre. Menschliche Kompetenz ist ein entscheidendes drittes Puzzleteil.
Schließlich sind es die Ärzte, die über die Ausbildung, die Fähigkeiten und die Beziehungen zu den Patienten verfügen, die fundierte Urteile über mögliche Behandlungsverläufe abgeben.
Wir haben unsere Forschungsarbeiten in Zusammenarbeit mit dem Boston Medical Center durchgeführt, dem größten Sicherheitsnetzkrankenhaus in Neuengland, das Menschen mit niedrigem Einkommen und Nichtversicherte versorgt. Und wir verwendeten einen Datensatz, der die elektronischen Patientenakten von 1999 bis 2014 von ungefähr 11.000 Patienten umfasste, die für uns anonym waren.
Diese Patienten hatten drei oder mehr dokumentierte Blutzuckerspiegel-Tests, ein Rezept für mindestens ein blutzuckerregulierendes Medikament und keine dokumentierte Diagnose von Typ-1-Diabetes, die normalerweise im Kindesalter beginnt. Wir hatten auch Zugriff auf die demografischen Daten jedes Patienten sowie auf Größe, Gewicht, Body-Mass-Index und Vorgeschichte verschreibungspflichtiger Medikamente.
Als Nächstes haben wir einen Algorithmus entwickelt, der genau angibt, wann jede Therapielinie endet und wann die nächste beginnt, je nachdem, wann sich die den Patienten verschriebene Arzneimittelkombination in den Daten der elektronischen Patientenakte geändert hat. Insgesamt berücksichtigte der Algorithmus 13 mögliche Medikamentenregime.
Für jeden Patienten verarbeitete der Algorithmus das Menü der verfügbaren Behandlungsoptionen. Dies umfasste die derzeitige Behandlung des Patienten sowie die Behandlung seiner oder ihrer 30 „nächsten Nachbarn“ in Bezug auf die Ähnlichkeit ihrer demografischen und medizinischen Vorgeschichte, um mögliche Auswirkungen jedes Medikamentenschemas vorherzusagen. Der Algorithmus ging davon aus, dass der Patient das durchschnittliche Ergebnis seiner nächsten Nachbarn erben würde.
Wenn der Algorithmus ein erhebliches Verbesserungspotenzial aufweist, bietet er eine Änderung der Behandlung. Andernfalls schlägt der Algorithmus vor, dass der Patient an seinem bestehenden Schema festhält. In zwei Dritteln der Patientenstichprobe schlug der Algorithmus keine Änderung vor.
Die Patienten, die aufgrund des Algorithmus neue Behandlungen erhielten, sahen dramatische Ergebnisse. Wenn der Vorschlag des Systems vom Pflegestandard abwich, wurde bei jedem Arztbesuch eine durchschnittliche positive Veränderung des Hämoglobins von 0, 44 Prozent im Vergleich zu historischen Daten beobachtet. Dies ist eine sinnvolle, medizinisch wesentliche Verbesserung.
Basierend auf dem Erfolg unserer Studie organisieren wir eine klinische Studie mit dem Massachusetts General Hospital. Wir glauben, dass unser Algorithmus auf andere Krankheiten anwendbar sein könnte, einschließlich Krebs, Alzheimer und Herz-Kreislauf-Erkrankungen.
Es ist beruflich zufriedenstellend und persönlich erfreulich, an einem bahnbrechenden Projekt wie diesem zu arbeiten. Indem wir die Krankengeschichte einer Person lesen, können wir bestimmte Behandlungen auf bestimmte Patienten zuschneiden und ihnen effektivere therapeutische und präventive Strategien liefern. Unser Ziel ist es, jedem die größtmögliche Chance für ein gesünderes Leben zu geben.
Das Beste von allem ist, dass meine Mutter stolz wäre.
Dieser Artikel wurde ursprünglich auf The Conversation veröffentlicht.
Dimitris Bertsimas, Professor für Angewandte Mathematik, MIT Sloan School of Management
