Ketika orang bertanya kepada saya mengapa saya, seorang ahli matematika terapan, mempelajari diabetes, saya memberi tahu mereka bahwa saya termotivasi untuk alasan ilmiah dan manusia.
Konten terkait
- Alat Pemantau Darah Terinspirasi oleh Nyamuk
- Orang Telah Menggunakan Data Besar Sejak 1600-an
Diabetes tipe 2 terjadi di keluarga saya. Kakek saya meninggal karena komplikasi terkait kondisi tersebut. Ibu saya didiagnosis menderita penyakit itu ketika saya berusia 10 tahun, dan Bibi Zacharoula saya menderita penyakit itu. Saya sendiri pra-diabetes.
Sebagai seorang remaja, saya ingat dikejutkan oleh kenyataan bahwa ibu dan saudara perempuannya menerima perawatan yang berbeda dari dokter mereka masing-masing. Ibu saya tidak pernah menggunakan insulin, hormon yang mengatur kadar gula darah; sebagai gantinya, dia makan makanan terbatas dan minum obat oral lainnya. Bibi Zacharoula, di sisi lain, mengambil beberapa suntikan insulin setiap hari.
Meskipun mereka memiliki warisan yang sama, DNA orang tua yang sama dan penyakit yang sama, lintasan medis mereka berbeda. Ibuku meninggal pada tahun 2009 pada usia 75 tahun dan bibiku meninggal pada tahun yang sama pada usia 78 tahun, tetapi selama hidupnya ia menghadapi banyak efek samping yang lebih serius.
Ketika mereka didiagnosis kembali pada tahun 1970-an, tidak ada data untuk menunjukkan obat mana yang paling efektif untuk populasi pasien tertentu.
Saat ini, 29 juta orang Amerika hidup dengan diabetes. Dan sekarang, di era kedokteran presisi, berbagai hal berbeda.
Peningkatan akses ke tumpukan informasi genomik dan meningkatnya penggunaan catatan medis elektronik, dikombinasikan dengan metode baru pembelajaran mesin, memungkinkan para peneliti untuk memproses data dalam jumlah besar. Ini mempercepat upaya untuk memahami perbedaan genetik dalam penyakit - termasuk diabetes - dan mengembangkan perawatan untuk mereka. Ilmuwan dalam diri saya merasakan keinginan kuat untuk ambil bagian.
Menggunakan data besar untuk mengoptimalkan perawatan
Murid-murid saya dan saya telah mengembangkan algoritma data-driven untuk manajemen diabetes yang dipersonalisasi yang kami percaya memiliki potensi untuk meningkatkan kesehatan jutaan orang Amerika yang hidup dengan penyakit ini.
Cara kerjanya seperti ini: Algoritme menggali data pasien dan obat, menemukan apa yang paling relevan dengan pasien tertentu berdasarkan riwayat medisnya dan kemudian membuat rekomendasi apakah pengobatan atau obat lain akan lebih efektif. Keahlian manusia memberikan bagian ketiga penting dari teka-teki.
Bagaimanapun, para dokterlah yang memiliki pendidikan, keterampilan, dan hubungan dengan pasien yang membuat penilaian berdasarkan informasi tentang program pengobatan potensial.
Kami melakukan penelitian kami melalui kemitraan dengan Boston Medical Center, rumah sakit jaring pengaman terbesar di New England yang menyediakan perawatan untuk orang-orang berpenghasilan rendah dan orang-orang yang tidak diasuransikan. Dan kami menggunakan kumpulan data yang melibatkan catatan medis elektronik dari tahun 1999 hingga 2014 dari sekitar 11.000 pasien yang anonim bagi kami.
Pasien-pasien ini memiliki tiga atau lebih tes kadar glukosa pada catatan, resep untuk setidaknya satu obat pengatur glukosa darah, dan tidak ada diagnosis yang tercatat dari diabetes tipe 1, yang biasanya dimulai pada masa kanak-kanak. Kami juga memiliki akses ke data demografi setiap pasien, serta tinggi, berat badan, indeks massa tubuh, dan riwayat obat yang diresepkan.
Selanjutnya, kami mengembangkan algoritma untuk menandai secara tepat kapan setiap lini terapi berakhir dan yang berikutnya dimulai, sesuai dengan ketika kombinasi obat yang diresepkan untuk pasien berubah dalam data rekam medis elektronik. Semua mengatakan, algoritma mempertimbangkan 13 rejimen obat yang mungkin.
Untuk setiap pasien, algoritma memproses menu dari opsi perawatan yang tersedia. Ini termasuk perawatan pasien saat ini, serta perawatan 30 "tetangga terdekat" dalam hal kesamaan riwayat demografi dan medis mereka untuk memprediksi efek potensial dari masing-masing rejimen obat. Algoritma tersebut mengasumsikan pasien akan mewarisi hasil rata-rata dari tetangga terdekatnya.
Jika algoritma melihat potensi besar untuk perbaikan, itu menawarkan perubahan dalam perawatan; jika tidak, algoritma menyarankan pasien tetap menggunakan rejimen yang ada. Dalam dua pertiga sampel pasien, algoritma tidak mengusulkan perubahan.
Para pasien yang menerima perawatan baru sebagai hasil dari algoritma melihat hasil yang dramatis. Ketika saran sistem berbeda dari standar perawatan, perubahan bermanfaat rata-rata dalam hemoglobin 0, 44 persen pada setiap kunjungan dokter diamati, dibandingkan dengan data historis. Ini adalah peningkatan materi yang bermakna secara medis.
Berdasarkan keberhasilan penelitian kami, kami menyelenggarakan uji klinis dengan Rumah Sakit Umum Massachusetts. Kami percaya algoritma kami dapat diterapkan untuk penyakit lain, termasuk kanker, Alzheimer, dan penyakit kardiovaskular.
Sangat memuaskan secara profesional dan memuaskan secara pribadi untuk mengerjakan proyek terobosan seperti ini. Dengan membaca riwayat medis seseorang, kami dapat menyesuaikan perawatan khusus untuk pasien tertentu dan memberi mereka strategi terapi dan pencegahan yang lebih efektif. Tujuan kami adalah memberi setiap orang peluang terbaik untuk kehidupan yang lebih sehat.
Yang terbaik dari semuanya, saya tahu ibu saya akan bangga.
Artikel ini awalnya diterbitkan di The Conversation.
Dimitris Bertsimas, Profesor Matematika Terapan, MIT Sloan School of Management
