Cuando la gente me pregunta por qué yo, un matemático aplicado, estudio diabetes, les digo que estoy motivado tanto por razones científicas como humanas.
contenido relacionado
- Un dispositivo de monitoreo de sangre inspirado en mosquitos
- La gente ha estado usando Big Data desde el siglo XVII
La diabetes tipo 2 corre en mi familia. Mi abuelo murió de complicaciones relacionadas con la condición. A mi madre le diagnosticaron la enfermedad cuando yo tenía 10 años y mi tía Zacharoula la padeció. Yo mismo soy pre-diabético.
Cuando era adolescente, recuerdo que me llamó la atención el hecho de que mi madre y su hermana recibieron diferentes tratamientos de sus respectivos médicos. Mi madre nunca tomó insulina, una hormona que regula los niveles de azúcar en la sangre; en cambio, ella comió una dieta limitada y tomó otras drogas orales. Tía Zacharoula, por otro lado, tomó varias inyecciones de insulina cada día.
Aunque tenían la misma herencia, el mismo ADN parental y la misma enfermedad, sus trayectorias médicas divergieron. Mi madre murió en 2009 a la edad de 75 años y mi tía murió el mismo año a la edad de 78 años, pero en el transcurso de su vida tuvo muchos efectos secundarios más graves.
Cuando fueron diagnosticados en la década de 1970, no había datos que mostraran qué medicamento era más efectivo para una población específica de pacientes.
Hoy, 29 millones de estadounidenses viven con diabetes. Y ahora, en una era emergente de medicina de precisión, las cosas son diferentes.
El mayor acceso a los tesoros de información genómica y el creciente uso de registros médicos electrónicos, combinados con nuevos métodos de aprendizaje automático, permiten a los investigadores procesar grandes cantidades de datos. Esto está acelerando los esfuerzos para comprender las diferencias genéticas dentro de las enfermedades, incluida la diabetes, y desarrollar tratamientos para ellas. El científico en mí siente un poderoso deseo de participar.
Usando big data para optimizar el tratamiento
Mis alumnos y yo hemos desarrollado un algoritmo basado en datos para el manejo personalizado de la diabetes que creemos que tiene el potencial de mejorar la salud de los millones de estadounidenses que viven con la enfermedad.
Funciona así: el algoritmo extrae datos de pacientes y medicamentos, encuentra lo que es más relevante para un paciente en particular en función de su historial médico y luego hace una recomendación sobre si otro tratamiento o medicamento sería más efectivo. La experiencia humana proporciona una tercera pieza crítica del rompecabezas.
Después de todo, son los médicos quienes tienen la educación, las habilidades y las relaciones con los pacientes que hacen juicios informados sobre los posibles cursos de tratamiento.
Llevamos a cabo nuestra investigación a través de una asociación con Boston Medical Center, el hospital de redes de seguridad más grande de Nueva Inglaterra que brinda atención a personas de bajos ingresos y personas sin seguro. Y utilizamos un conjunto de datos que incluía los registros médicos electrónicos de 1999 a 2014 de aproximadamente 11, 000 pacientes que eran anónimos para nosotros.
Estos pacientes tenían tres o más pruebas de nivel de glucosa registradas, una receta para al menos un medicamento de regulación de glucosa en sangre y ningún diagnóstico registrado de diabetes tipo 1, que generalmente comienza en la infancia. También tuvimos acceso a los datos demográficos de cada paciente, así como a su altura, peso, índice de masa corporal e historial de medicamentos recetados.
A continuación, desarrollamos un algoritmo para marcar con precisión cuándo terminó cada línea de terapia y comenzó la siguiente, de acuerdo con cuándo la combinación de medicamentos recetados a los pacientes cambió en los datos de la historia clínica electrónica. En total, el algoritmo consideró 13 posibles regímenes farmacológicos.
Para cada paciente, el algoritmo procesó el menú de opciones de tratamiento disponibles. Esto incluyó el tratamiento actual del paciente, así como el tratamiento de sus 30 "vecinos más cercanos" en términos de la similitud de su historial demográfico y médico para predecir los posibles efectos de cada régimen de medicamentos. El algoritmo asumió que el paciente heredaría el resultado promedio de sus vecinos más cercanos.
Si el algoritmo detectaba un potencial sustancial de mejora, ofrecía un cambio en el tratamiento; si no, el algoritmo sugirió que el paciente permanezca en su régimen actual. En dos tercios de la muestra de pacientes, el algoritmo no propuso un cambio.
Los pacientes que recibieron nuevos tratamientos como resultado del algoritmo vieron resultados espectaculares. Cuando la sugerencia del sistema era diferente del estándar de atención, se observó un cambio beneficioso promedio en la hemoglobina del 0, 44 por ciento en cada visita al médico, en comparación con los datos históricos. Esta es una mejora significativa, médicamente material.
Basado en el éxito de nuestro estudio, estamos organizando un ensayo clínico con el Hospital General de Massachusetts. Creemos que nuestro algoritmo podría ser aplicable a otras enfermedades, como el cáncer, el Alzheimer y las enfermedades cardiovasculares.
Es profesionalmente satisfactorio y personalmente gratificante trabajar en un proyecto innovador como este. Al leer el historial médico de una persona, podemos adaptar tratamientos específicos a pacientes específicos y proporcionarles estrategias terapéuticas y preventivas más efectivas. Nuestro objetivo es brindarles a todos la mejor oportunidad posible para una vida más saludable.
Lo mejor de todo, sé que mi madre estaría orgullosa.
Este artículo fue publicado originalmente en The Conversation.
Dimitris Bertsimas, profesor de matemáticas aplicadas, MIT Sloan School of Management
