[ad_1]
یک تیم بینرشتهای از محققان دانشگاه میسوری، کودکان مرسی کانزاس سیتی و بیمارستان کودکان تگزاس از رویکرد دادهمحور جدیدی برای کسب اطلاعات بیشتر در مورد افراد مبتلا به دیابت نوع 1 استفاده کردهاند که حدود 5 تا 10 درصد از کل تشخیصهای دیابت را تشکیل میدهند. این تیم اطلاعات خود را از طریق انفورماتیک سلامت جمع آوری کرد و از هوش مصنوعی (AI) برای درک بهتر بیماری استفاده کرد.
در این مطالعه، تیم دادههای واقعی و در دسترس عموم را از حدود 16000 شرکتکننده ثبتنام شده در T1D Exchange Clinic Registry تجزیه و تحلیل کرد. با استفاده از الگوریتم کاوی الگوی کنتراست توسعهیافته در کالج مهندسی MU، تیم قادر به شناسایی تفاوتهای عمده در پیامدهای سلامتی در میان افرادی که مبتلا به دیابت نوع 1 هستند و سابقه خانوادگی این بیماری را دارند یا ندارند.
چی-رن شیو، مدیر موسسه علوم داده و انفورماتیک MU (MUIDSI)، رویکرد هوش مصنوعی مورد استفاده در این مطالعه را رهبری کرد و گفت که این تکنیک ماهیت اکتشافی دارد.
در اینجا ما به کامپیوتر اجازه می دهیم میلیون ها نقطه در داده ها را به هم متصل کند تا فقط الگوهای متضاد عمده بین افراد با و بدون سابقه خانوادگی دیابت نوع 1 را شناسایی کند، و آزمایش های آماری را انجام دهد تا مطمئن شویم که در مورد خود مطمئن هستیم. شایو، استاد پل کی و دایان شوماکر در کالج مهندسی MU گفت.
ارین تالون، یک دانشجوی کارشناسی ارشد در MUIDSI و نویسنده اصلی این مطالعه، گفت که تجزیه و تحلیل تیم به یافتههای ناآشنا منجر شد.
تالون گفت: «به عنوان مثال، ما دریافتیم افرادی که در رجیستری که یکی از اعضای خانواده آنها مبتلا به دیابت نوع 1 بود، بیشتر مبتلا به فشار خون بالا و همچنین بیماری عصبی مرتبط با دیابت، بیماری چشمی و بیماری کلیوی بودند. وی افزود: “ما همچنین در افرادی که سابقه خانوادگی دیابت نوع 1 داشتند، شیوع بیشتری یافتیم. علاوه بر این، افرادی که سابقه خانوادگی دیابت نوع 1 داشتند، اغلب دارای ویژگی های جمعیت شناختی خاصی بودند.”
اشتیاق تالون برای این پروژه با یک ارتباط شخصی آغاز شد و به سرعت در نتیجه تجربه کار به عنوان پرستار در بخش مراقبت های ویژه (ICU) رشد کرد. او اغلب بیماران مبتلا به دیابت نوع 1 را می دید که با سایر بیماری های همراه مانند بیماری کلیوی و فشار خون بالا نیز سر و کار داشتند. او با علم به اینکه تشخیص دیابت نوع 1 اغلب تنها زمانی اتفاق میافتد که بیماری در حال حاضر بسیار پیشرفته باشد، او میخواست راههای بهتری برای پیشگیری و تشخیص بیابد و با یافتن راهی برای تجزیه و تحلیل مقادیر زیادی از دادههای در دسترس عمومی که قبلاً در مورد بیماری جمعآوری شده بود، شروع کرد.
در سال 2019، مارک کلمنتز، متخصص غدد کودکان در Children’s Mercy کانزاس سیتی، استاد اطفال در دانشگاه میسوری-کانزاس سیتی و نویسنده مرتبط در این مطالعه، برای سخنرانی در کنفرانس بیوانفورماتیک Midwest به میزبانی BioNexus KC دعوت شد. در حالی که تالون نتوانست در سخنرانی کلمنتز شرکت کند، او با تماس تلفنی پیشنهاد خود را برای کمک به مردم برای درک بهتر دیابت نوع 1 به اشتراک گذاشت. او کنجکاو شده بود. در نهایت، تالون کلمنتز را به شیو معرفی کرد و یک همکاری تحقیقاتی مداوم ایجاد شد.
تالون گفت که نتایج این همکاری حاکی از قدرت و ارزش استفاده از داده های دنیای واقعی است.
تالون گفت: “دیابت نوع 1 یک بیماری واحد نیست که برای همه یکسان به نظر می رسد – برای افراد مختلف متفاوت به نظر می رسد – و ما در حال کار بر روی لبه های پیشرفته برای رسیدگی به این موضوع هستیم.” با تجزیه و تحلیل دادههای دنیای واقعی، میتوانیم عوامل خطری را که ممکن است باعث شود فردی در معرض خطر بالاتری برای ایجاد پیامدهای بد سلامتی قرار گیرد، بهتر درک کنیم.
در حالی که نتایج امیدوارکننده هستند، تالون گفت که محققان به دلیل نداشتن مجموعه دادههای مبتنی بر جمعیت برای کار با آنها محدود شدهاند.
تالون گفت: «در اینجا ذکر این نکته مهم است که یافتههای ما دارای محدودیتهایی هستند که امیدواریم در آینده با استفاده از مجموعههای دادهای بزرگتر و مبتنی بر جمعیت آن را برطرف کنیم. ما به دنبال ایجاد گروههای بیماران بزرگتر، تجزیه و تحلیل دادههای بیشتر و استفاده از این الگوریتمها برای کمک به انجام این کار هستیم.»
شخصی سازی پزشکی
کلمنتز امیدوار است که این رویکرد بتواند به عنوان راهی برای کمک به توسعه گزینه های درمانی شخصی برای افراد مبتلا به دیابت اتخاذ شود.
برای اینکه بتوانیم درمان مناسب را در زمان مناسب به بیمار مناسب برسانیم، ابتدا باید بدانیم که چگونه بیمارانی را که در معرض خطر بالاتری برای بیماری و عوارض آن هستند، با پرسیدن سوالاتی مانند وجود ویژگیها شناسایی کنیم. کلمنتز گفت: در اوایل زندگی کسی که می تواند به شناسایی فردی با ریسک بالا برای یک نتیجه در سال های بعد کمک کند. “داشتن همه این اطلاعات می تواند روزی به ما کمک کند تا تصویر کامل تری از خطر یک فرد ایجاد کنیم و می توانیم از این اطلاعات برای ایجاد یک رویکرد شخصی تر برای پیشگیری و درمان استفاده کنیم.”
“الگو کاوی کنتراست با ثبت کلینیک تبادل T1D فاکتورهای فنوتیپی پیچیده و الگوهای همبودی مرتبط با دیابت نوع 1 خانوادگی و پراکنده را نشان می دهد.” مراقبت از دیابت، مجله انجمن دیابت آمریکا. دانلو لیو و کاترینا بولز، دانشجویان فارغ التحصیل دانشگاه MU، و ماریا ردوندو در بیمارستان کودکان تگزاس نیز در این مطالعه مشارکت داشتند.
نویسندگان این مطالعه مایلند از آژانس تامین مالی ثبت کلینیک تبادل T1D، موسسه خیریه هلمزلی، محققین مستقر در سراسر کشور که گردآوری دادهها را برای ثبت انجام دادهاند، و همچنین از همه شرکتکنندگان در ثبت و خانوادههایشان تشکر کنند. مایل به اشتراک گذاری اطلاعات پزشکی خود هستند.
محققان همچنین مایلند از حمایت های ارائه شده توسط کمک های مالی موسسه ملی بهداشت (5T32LM012410) و بنیاد ملی علوم (CNS-1429294) قدردانی کنند. مسئولیت محتوا صرفاً بر عهده نویسندگان است و لزوماً بیانگر دیدگاههای رسمی آژانسهای تأمین مالی نیست.
تضاد منافع احتمالی توسط دو تن از نویسندگان مطالعه – کلمنتز و شیو – نیز ذکر شده است. کلمنتز، افسر ارشد پزشکی در Glooko است و از Dexcom و Abbot Diabetes Care پشتیبانی دریافت می کند. شیو مشاور Curant Health است.
[ad_2]