Quando as pessoas me perguntam por que eu, um matemático aplicado, estudo diabetes, digo-lhes que sou motivado por razões científicas e humanas.
Conteúdo Relacionado
- Um dispositivo de monitoramento de sangue inspirado em mosquitos
- As pessoas têm usado Big Data desde os anos 1600
O diabetes tipo 2 é executado na minha família. Meu avô morreu de complicações relacionadas à doença. Minha mãe foi diagnosticada com a doença quando eu tinha 10 anos de idade, e minha tia Zacharoula sofreu com isso. Eu mesmo sou pré-diabético.
Quando adolescente, lembro-me de ter ficado impressionada com o fato de minha mãe e sua irmã terem recebido tratamentos diferentes de seus respectivos médicos. Minha mãe nunca tomou insulina, um hormônio que regula os níveis de açúcar no sangue; em vez disso, ela comeu uma dieta limitada e tomou outras drogas orais. A tia Zacharoula, por outro lado, tomava várias injeções de insulina por dia.
Embora tivessem a mesma herança, o mesmo DNA parental e a mesma doença, suas trajetórias médicas divergiram. Minha mãe morreu em 2009 com a idade de 75 anos e minha tia morreu no mesmo ano com a idade de 78 anos, mas ao longo de sua vida lidou com muitos efeitos colaterais mais graves.
Quando foram diagnosticados na década de 1970, não havia dados para mostrar qual medicamento era mais eficaz para uma população específica de pacientes.
Hoje, 29 milhões de americanos estão vivendo com diabetes. E agora, em uma era emergente de medicina de precisão, as coisas são diferentes.
O aumento do acesso a informações genômicas e o aumento do uso de registros médicos eletrônicos, combinados com novos métodos de aprendizado de máquina, permitem que os pesquisadores processem grandes quantidades de dados. Isso está acelerando os esforços para entender as diferenças genéticas dentro das doenças - incluindo o diabetes - e para desenvolver tratamentos para elas. O cientista em mim sente um desejo poderoso de participar.
Usando big data para otimizar o tratamento
Meus alunos e eu desenvolvemos um algoritmo baseado em dados para o gerenciamento personalizado do diabetes, que acreditamos ter o potencial de melhorar a saúde de milhões de americanos que vivem com a doença.
Funciona assim: o algoritmo extrai dados de pacientes e medicamentos, descobre o que é mais relevante para um paciente em particular com base em seu histórico médico e depois faz uma recomendação sobre se outro tratamento ou medicamento seria mais eficaz. A perícia humana fornece uma terceira peça crítica do quebra-cabeça.
Afinal de contas, são os médicos que têm educação, habilidades e relacionamentos com pacientes que fazem julgamentos informados sobre possíveis cursos de tratamento.
Conduzimos nossa pesquisa por meio de uma parceria com o Boston Medical Center, o maior hospital de rede de segurança da Nova Inglaterra, que presta assistência a pessoas de baixa renda e pessoas sem seguro. E usamos um conjunto de dados que envolveu os registros médicos eletrônicos de 1999 a 2014 de cerca de 11.000 pacientes que eram anônimos para nós.
Esses pacientes tinham três ou mais testes de glicose no registro, uma receita para pelo menos um remédio para regular a glicose no sangue, e nenhum diagnóstico registrado de diabetes tipo 1, que geralmente começa na infância. Também tivemos acesso aos dados demográficos de cada paciente, bem como sua altura, peso, índice de massa corporal e histórico de prescrição de medicamentos.
Em seguida, desenvolvemos um algoritmo para marcar precisamente quando cada linha de terapia terminava e a próxima começava, de acordo com o momento em que a combinação de medicamentos prescritos para os pacientes mudava nos dados do prontuário eletrônico. Tudo dito, o algoritmo considerou 13 regimes de droga possíveis.
Para cada paciente, o algoritmo processou o menu de opções de tratamento disponíveis. Isso incluiu o tratamento atual do paciente, bem como o tratamento de seus 30 “vizinhos mais próximos” em termos da similaridade de sua história médica e demográfica para prever os possíveis efeitos de cada regime medicamentoso. O algoritmo assumiu que o paciente herdaria o resultado médio de seus vizinhos mais próximos.
Se o algoritmo identificasse um potencial substancial de melhoria, ele ofereceria uma mudança no tratamento; caso contrário, o algoritmo sugeriu que o paciente permanecesse em seu regime atual. Em dois terços da amostra de pacientes, o algoritmo não propôs uma mudança.
Os pacientes que receberam novos tratamentos como resultado do algoritmo tiveram resultados dramáticos. Quando a sugestão do sistema foi diferente do padrão de atendimento, uma mudança benéfica média na hemoglobina de 0, 44 por cento na visita de cada médico foi observada, em comparação com os dados históricos. Esta é uma melhoria significativa, material e medicinal.
Com base no sucesso de nosso estudo, estamos organizando um ensaio clínico com o Massachusetts General Hospital. Acreditamos que nosso algoritmo pode ser aplicável a outras doenças, incluindo câncer, mal de Alzheimer e doenças cardiovasculares.
É profissionalmente gratificante e pessoalmente gratificante trabalhar em um projeto inovador como este. Ao ler o histórico médico de uma pessoa, podemos adaptar tratamentos específicos a pacientes específicos e fornecer a eles estratégias terapêuticas e preventivas mais eficazes. Nosso objetivo é dar a todos a maior oportunidade possível para uma vida mais saudável.
O melhor de tudo é que eu sei que minha mãe ficaria orgulhosa.
Este artigo foi originalmente publicado no The Conversation.
Dimitris Bertsimas, Professor de Matemática Aplicada, MIT Sloan School of Management
