Quando le persone mi chiedono perché io, un matematico applicato, studio il diabete, dico loro che sono motivato sia per ragioni scientifiche che umane.
Contenuto relativo
- Un dispositivo di monitoraggio del sangue ispirato alle zanzare
- Le persone usano i big data sin dal 1600
Il diabete di tipo 2 corre nella mia famiglia. Mio nonno è morto per complicazioni legate alla condizione. A mia madre fu diagnosticata la malattia quando avevo 10 anni e mia zia Zacharoula ne soffrì. Io stesso sono pre-diabetico.
Da adolescente, ricordo di essere stato colpito dal fatto che mia madre e sua sorella avevano ricevuto trattamenti diversi dai loro rispettivi dottori. Mia madre non ha mai preso l'insulina, un ormone che regola i livelli di zucchero nel sangue; invece, ha seguito una dieta limitata e ha assunto altri farmaci per via orale. Zia Zacharoula, d'altra parte, faceva diverse iniezioni di insulina ogni giorno.
Sebbene avessero la stessa eredità, lo stesso DNA dei genitori e la stessa malattia, le loro traiettorie mediche divergevano. Mia madre è morta nel 2009 all'età di 75 anni e mia zia è morta lo stesso anno all'età di 78 anni, ma nel corso della sua vita ha affrontato molti più gravi effetti collaterali.
Quando furono diagnosticati negli anni '70, non c'erano dati che mostrassero quale medicinale fosse più efficace per una specifica popolazione di pazienti.
Oggi, 29 milioni di americani vivono con il diabete. E ora, in un'era emergente della medicina di precisione, le cose sono diverse.
Un maggiore accesso a reperti di informazioni genomiche e il crescente utilizzo di cartelle cliniche elettroniche, combinato con nuovi metodi di apprendimento automatico, consentono ai ricercatori di elaborare grandi quantità di dati. Questo sta accelerando gli sforzi per comprendere le differenze genetiche all'interno delle malattie - incluso il diabete - e sviluppare trattamenti per esse. Lo scienziato in me sente un forte desiderio di prendere parte.
Utilizzo dei big data per ottimizzare il trattamento
Io e i miei studenti abbiamo sviluppato un algoritmo basato sui dati per la gestione personalizzata del diabete che riteniamo abbia il potenziale per migliorare la salute di milioni di americani che vivono con la malattia.
Funziona in questo modo: l'algoritmo estrae i dati dei pazienti e dei farmaci, trova ciò che è più rilevante per un particolare paziente in base alla sua storia medica e quindi formula una raccomandazione sull'efficacia di un altro trattamento o farmaco. La competenza umana fornisce un terzo pezzo cruciale del puzzle.
Dopotutto, sono i medici che hanno l'educazione, le capacità e le relazioni con i pazienti che esprimono giudizi informati sui potenziali corsi di trattamento.
Abbiamo condotto le nostre ricerche attraverso una partnership con il Boston Medical Center, il più grande ospedale per reti di sicurezza del New England, che fornisce assistenza a persone a basso reddito e persone non assicurate. E abbiamo utilizzato un set di dati che comprendeva le cartelle cliniche elettroniche dal 1999 al 2014 di circa 11.000 pazienti che erano anonimi per noi.
Questi pazienti hanno registrato tre o più test di livello di glucosio, una prescrizione per almeno un farmaco di regolazione della glicemia e nessuna diagnosi registrata di diabete di tipo 1, che di solito inizia durante l'infanzia. Abbiamo anche avuto accesso ai dati demografici di ciascun paziente, nonché alla loro altezza, peso, indice di massa corporea e storia dei farmaci soggetti a prescrizione.
Successivamente, abbiamo sviluppato un algoritmo per segnare con precisione quando ogni linea di terapia è terminata e quella successiva è iniziata, secondo quando la combinazione di farmaci prescritti ai pazienti è cambiata nei dati della cartella clinica elettronica. Tutto sommato, l'algoritmo ha considerato 13 possibili regimi farmacologici.
Per ogni paziente, l'algoritmo ha elaborato il menu delle opzioni di trattamento disponibili. Ciò ha incluso l'attuale trattamento del paziente, nonché il trattamento dei suoi 30 "vicini più vicini" in termini di somiglianza della loro storia demografica e medica per prevedere i potenziali effetti di ciascun regime farmacologico. L'algoritmo presupponeva che il paziente avrebbe ereditato il risultato medio dei vicini più vicini.
Se l'algoritmo individuava un notevole potenziale di miglioramento, offriva un cambiamento nel trattamento; in caso contrario, l'algoritmo ha suggerito al paziente di rimanere sul suo regime esistente. Nei due terzi del campione del paziente, l'algoritmo non ha proposto un cambiamento.
I pazienti che hanno ricevuto nuovi trattamenti a seguito dell'algoritmo hanno visto risultati drammatici. Quando il suggerimento del sistema era diverso dallo standard di cura, è stato osservato un cambiamento benefico medio nell'emoglobina dello 0, 44 per cento alla visita di ciascun medico, rispetto ai dati storici. Questo è un significativo miglioramento medico dal punto di vista medico.
Sulla base del successo del nostro studio, stiamo organizzando una sperimentazione clinica con il Massachusetts General Hospital. Riteniamo che il nostro algoritmo potrebbe essere applicabile ad altre malattie, tra cui il cancro, il morbo di Alzheimer e le malattie cardiovascolari.
È professionalmente soddisfacente e personalmente gratificante lavorare su un progetto innovativo come questo. Leggendo la storia medica di una persona, siamo in grado di personalizzare trattamenti specifici per pazienti specifici e fornire loro strategie terapeutiche e preventive più efficaci. Il nostro obiettivo è offrire a tutti la più grande opportunità possibile per una vita più sana.
Soprattutto, so che mia madre sarebbe orgogliosa.
Questo articolo è stato originariamente pubblicato su The Conversation.
Dimitris Bertsimas, professore di matematica applicata, MIT Sloan School of Management
