Table of Contents

Въведение: Диабетната епидемия и обещанието за големи данни

Захарният диабет, който обхваща диабет тип 1, диабет тип 2, и гестационни форми, остава едно от най-належащите глобални предизвикателства пред здравето. Според Международната федерация по диабет, около 537 милиона възрастни са живели с диабет през 2021 г., с прогнози, които се покачват през 783 милиона до 2045 г. Болестта налага потресаваща икономическа тежест, която струва около 966 милиарда долара годишно в разходите за здравеопазване. Традиционното откриване на наркотици, прословут бавен и скъп процес, често отнема 10 ...15 години и над $2.6 милиарда, за да донесе един нов терапевтичен продукт на пазара. В този контекст, големите данни анализи се очертават като трансформираща сила, компресиране на сроковете на откритията и позволяващи прецизност подходи, които са били невъобразими преди десетилетие.

Големите данни в здравеопазването се отнасят до масивните, сложни набори от данни, генерирани от електронните здравни досиета (ЕВП), геномичното секвениране, износимите устройства, медицинските изображения и клиничните проучвания. Когато се интегрират и анализират чрез машинно обучение, изкуствен интелект и напреднала биостатистика, тези данни разкриват скрити модели, биомаркери и терапевтични цели. За изследване на диабета, големите данни ускоряват идентифицирането на нови кандидати за наркотици, оптимизират дизайните на клинични изпитвания и персонализиране на терапевтичните режими. Тази статия разширява обхвата на анализите на големи данни променя пейзажа на диабетното лечение, предоставя подробни прозрения, примери от реалния свят и бъдещите насоки.

Разширяването на ролята на големите данни в изследването на диабета

Големите данни не са една единствена технология, а екосистема от източници на данни и аналитични инструменти.

  • Електронни здравни записи: Дълги история на пациента, включително диагнози, лекарства, лабораторни стойности (напр., HbA1c, глюкоза на гладно) и съпътстващи заболявания. СВП сега улавят милиони данни пациент-години на данни, което позволява мащабно наблюдение проучвания, които биха били логистични невъзможно с традиционните рандомизирани проучвания.
  • Genomic and Multi-Omics Data: Целия геном секвениране, транскриптомия, протеомика, и метаболизма от хиляди лица, разкрива генетични предразположения и молекулярни подтипове. Цената на секвенирането на човешкия геном е спаднала под $600, което прави възможно генерирането на мащаби на населението като UK Biobank . 500 000 екзомета.
  • Собствени устройства и сензори[: Непрекъснато глюкозни монитори (CGMs), фитнес тракери и интелигентни инсулинови писалки, генериращи физиологични данни в реално време. Един единствен CGM сензор произвежда над 288 глюкозни четения на ден, предлагайки плътни времеви данни, които могат да разкрият динамични отговори на интервенциите.
  • Клинични данни от пробни опити: Набори от данни от съдебни опити за завещания плюс доказателства от реалния свят (RWE) от проучвания за наблюдение и регистри. Фармацевтичната индустрия притежава петабайти от предварително силози от данни, които сега се добиват за вторични прозрения.
  • Публична и протриваща база данни: Ресурси като UK Biobank, Всички нас Изследователска програма, FinnGen, и Инициативата за диабетна генетика предоставят достъпни данни за ускоряване на откриването.

Интеграцията на тези диспаративни източници на данни представя огромни предизвикателства. Разнородността на данните, липсващите ценности, ограниченията за поверителност (HIPA/GDPR) и разликите в стандартите за данни изискват стабилна хармонизация на данните и сигурни подходи за подхранване на знанията. Изследователите все повече използват платформи, които поддържат аналитичната система за защита на личните данни, като например генериране на синтетични данни и диференциална поверителност, за да отключим прозрения без да компрометираме поверителността на пациентите. Например Оссервационните здравни данни и информационните системи (OHDSI) мрежа стандартизирани данни за EHR от над 300 милиона пациенти в 20 страни, използвайки общ модел на данни, позволяващ глобални анализи.

Пост hoc анализите на хиляди участници в изпитването разкриха метаболитни сигнатура, която предвиждаше успех, което доведе до усъвършенствани критерии за подбор на пациенти и разширено финансиране за последващи проучвания. Друго забележително усилие е проучването ACCORD, чийто обширен набор от данни е бил анализиран многократно, за да се открият подгрупи с диференциален сърдечно-съдов отговор към интензивен глюкозен контрол.

Как Data Analytics ускорява Discovery

Наркотиците, открити от краен случай, от прицелна идентификация до предклинични тестове, клинични изпитвания и одобрение на нормативните изисквания, се разглеждат ползите от големи данни на всеки етап. По-долу разглеждаме ключовите механизми, чрез които аналитичните данни ускоряват напредъка към нови диабетни терапевтични средства.

Идентификация и валидиране на целта

Днес, машиностроенето алгоритми мина геномни и транскриптомни набори за определяне на гени, протеини и пътища, които са свързани с диабета. Например, Геном-Широки Асоциации Изследвания (GWAS) са идентифицирали над 400 генетични лоси, свързани с диабет тип 2. Въпреки това, само част от тях са валидирани като цели, които могат да бъдат наркозависими. Големите данни анализи и пътища, свързани с диабета.

Един забележителен успех е GLP-1 рецепторен агонист клас, сега основен дял на диабетната терапия. Ранните геномни анализи сочат гена GLP-1R като ключов регулатор на инсулиновата секреция. Последващите мащабни протеомични проучвания, използващи данни от UK Biobank[ и FinnGen[, потвърдиха, че генетичните варианти, засягащи GLP-1R експресията, са свързани с ниско съдържание на глюкоза и намалени сърдечно-съдови събития. Тези констатации осигуряват биологична обосновка за разработването на лекарства като семаглутид и тирзептид, които са революцирани в управлението на диабета.

Друг пример идва от AMP T2D консорциум, който интегрира транскриптомни данни от човешки панкреасни островни острови с генетични сигнали за асоцииране, за да се идентифицира генът TCF7L2 като цел с висока увереност. Функционални проучвания разкриха, че TCF7L2 модули Wnt сигнализират в бета клетки, а инхибиторите на малки молекули по този път сега са в предклинично развитие.

Предсказуемо моделиране за отговор на лекарствата

Едно от най-вълнуващите приложения на големи данни е предсказването на това как отделните пациенти ще реагират на дадено лекарство. Традиционните проучвания, средни ефекти на лечение в хетерогенна популация, често липсващи субпопулации, които се възползват (или са повредени).

Например, проучване на Stanford Medicine използва данни на EHR от 10 000 пациенти с диабет тип 2, за да се прогнозира неуспех на метформин ([[[FLT: 2]], публикувани в Nature Medicine[[FLT: 3]). Моделът постига AUC от 0,85, идентифицирайки пациенти, които биха се нуждаели от допълнително лечение в рамките на 18 месеца. Тези инструменти могат да информират критериите за включване в клинични изпитвания, като гарантират, че само вероятните отговори са включени в изпитването [[FLT: 3]).

Освен метформин са разработени полигенни рискови показатели (PRS), за да се предскаже отговора на сулфауреите, тиазолидиндионите и DPP-4 инхибиторите. Метаанализът на 2024 пациенти в UK Biobank[[FLT: 1] показва, че индивидите в най- високия PRS декан за инхибитори на сулфаурея има 2.3 пъти по- голямо намаление на HbA1c в сравнение с тези в най- ниския децил. Фармацевтичните компании използват PRS сега, за да обогатяват фаза II проучвания за бързо доказване на концептуалната способност, потенциално намаляване на сроковете за развитие с 1 ...

По същия начин, алгоритмите за дълбоко обучение, анализиращи данните от CGM, могат да прогнозират хипогликемични събития дни предварително. Модел, разработен от Google Health и JDRF[, постига 92% чувствителност при прогнозиране на нощна хипогликемия, използвайки само шест часа предходни данни от CGM. Тези прогнози не само подобряват безопасността на пациентите, но позволяват на фармацевтичните компании да проектират по-къси, по-информативни проучвания фаза II за нови инсулинови аналози или бета-клетъчни терапии.

Оптимизиране на дизайна на клинични изпитвания

Клиничните проучвания са стъпката на ограничаване на скоростта в развитието на лекарството. Големите анализи на данните намаляват това шишенце чрез:

  • Адаптивни пробни дизайни: Използване на междинни данни от множество оръжия, Bayesian статистически модели коригира рандомизиране съотношения или спад неефективни оръжия рано. FDA . . Последните насоки за адаптивни дизайни насърчава този подход ( FDA насоки. При диабет, VERIFY проучване използва безпроблемна фаза II/III адаптивен дизайн, който спаси 18 месеца и $40 милиона.
  • Дигитални близнаци: AI- генериран синтетични контроли въз основа на исторически данни на пациентите намаляват необходимостта от плацебо оръжия, намаляване на времето за записване с 30 год.. Последни [[FLT: 2]]Takeda Pharmaceuticals[[[FLT: 3]] пилот използва цифрови близнаци, за да симулира 200 пациент плацебо рамо, заменя действителното записване и намаляване продължителността на изпитването с 14 месеца, като същевременно поддържа статистическата мощност.
  • Изследване на Patient Recruitment: Критерии за допустимост на екстракти от естествени езици от EHR, които съответстват на пациентите в опити. Изследване на Mercatus Center установи, че такива инструменти подобряват ефективността на набиране на персонал с 40%. Платежа TrialReach[) сега съвпада с диабетиците до над 2000 активни проучвания в световен мащаб, като 3 пъти се увеличават процента на включване на редки типове диабет тип 1.
  • Site Selection: Предсказуемите модели идентифицират клинични обекти с висок потенциал за записване и добро спазване на протокола, свеждане до минимум на забавянията. Модел, обучен за исторически данни от 500 клинични изпитвания за диабет, постигна 25% намаление на времето за активиране на сайта.

Например RADICAL-HF проучване за диабетна сърдечна недостатъчност използва платформа за анализ на облачни бази, за да хармонизира данни от 30 обекта, като позволява мониторинг в реално време и адаптивни промени. Проучването завърши записване шест месеца преди графика и предостави ранни доказателства за новата SGLT2 комбинация инхибитор.

Друг иновативен подход е използването на надлъжни данни за EHR за изграждане на сходни с тези на протезателната структура исторически контроли. Процесът за RECOVEN за лечение на диабет тип 2 показа, че такива външни контролни рамена могат да намалят необходимостта от едновременно плацебо групи с до 40%, като същевременно продължават да произвеждат надеждни оценки за ефикасност, съответстващи на традиционните рандомизирани дизайни.

Данни от реалния свят и наблюдение след пускането на пазара

В реалния свят доказателства (RWE) от застрахователни претенции, EHR, и регистри помага за идентифициране на редки нежелани събития, валидира ефективността на по-широки популации, и открива нови индикации (прекупване на наркотици). FDA год.Информация за реалните заболявания (ФДА RWE рамка) прие RWE да подкрепи разширената етикетиране за няколко лекарства за диабет, включително използването на SGLT2 инхибитори за сърдечна недостатъчност, основана на данни от 350 000 пациенти в US Отдел "Ветерански въпроси здравна система.

Класически случай е метформин . метформин . • препрокурсуване за превенция на преддиабетите. Следочен анализ на Диабетес Профилактика Програма набори, комбинирани с данни за EHR от 100 000 пациенти, потвърдиха, че метформин намалява прогресията до диабет тип 2 при високорискови индивиди. Това доведе до клинични насоки, препоръчващи метформин за преддиабети, практика, която сега спестява милиарди в бъдещи здравни разходи. По-скоро, големи анализи на данни от [[FLT: . . . .]Шведски Национален регистър за диабет (откриването на 500,000 пациенти) предизвика регулаторно одобрение за dapagliflosin в хронични бъбречни заболявания.

RWE също така позволява непрекъсната лекарствена безопасност. A [Изследване за откриване на корейски сигнали чрез използване на EHRs от 2 милиона пациенти с диабет идентифицираха три преди това непризнати лекарствени взаимодействия, свързани с хипогликемия, което води до актуализирани пакети вложки и сигнали за подкрепа на клинични решения.

История на казуса и успеха

Няколко неотдавнашни инициативи илюстрират осезаемото въздействие на големите данни върху диабетното терапевтично откритие.

Проучване на случая 1: Пречистване на наркотиците чрез миннодобивни дейности на ЕВП

Изследователите от Вандърбилт университет анализира над 30 милиона записи на ЕВП за идентифициране на вече одобрени лекарства за други условия, които биха могли да подобрят гликемичен контрол. Техният алгоритъм е показал своята ефикасност [[FLT: 2]]никлозамид (антихелминтика) като кандидат, който активира AMPK и намалява производството на чернодробна глюкоза. Последвалите предклинични проучвания потвърдиха неговата ефикасност и фаза II проучване при пациенти с диабет тип 2 показаха 0,6% намаление на HbA1c за 12 седмици. Проектът премина от хипотеза към клинични данни в рамките на три години, след като установи четири кандидати, които понастоящем са в предклиничната валидация ([[FLT: 4]Научни доклади за природата). Същият екип използва подхода към екрана за бета-клетъчни регенерирани съединения, които са идентифицирани в момента четири кандидати, които са в предклинично валидиране.

Проучване на случая 2: Геномично Stratification for Personalized Therapy

Пациенти с диабет тип 2 имат значителна хетерогенност в отговор на сулфанилурейни продукти, общо перорално лекарство. Консорциум, воден от Броуд институт извършва мултиетнически GWAS метаанализ на 15 000 пациенти и идентифицира вариант в CYP2C9[ ген, който предвижда намален клирънс на лекарството и повишен риск от хипогликемия. Използването на този факт, голяма здравна система, въведена с фармакогеномични тестове за пациенти, които не са на лечение със сулфанилурея, намалявайки нежеланите събития с 40%. Този подход на прецизност сега се прилага към нови терапевтични продукти, като компаниите използват полигенни резултати от резултатите от изпитването за стратифифификация на участниците (NEJM). По-скорошна работа от

Проучване на случая 3: Машинно обучение за Бета-Cell защита Биомаркери

Предотвратяването на спада на бета-клетките е основна цел за диабет тип 1. Екип от JDRF и IBM Watson Health обучават модел на дълбоко обучение на C-пептидни нива, автоантитела и данни от CGM от 2 500 пациенти в проучването TrialNet[. Моделът идентифицира комбинация от три циркулиращи протеини (MIR-375, GAD65 и IL-1Ra), които прогнозират непосредствена загуба на бета-клетки с 85% точност, където понастоящем се използва като заместителна крайна точка в проучване фаза II на анти-CD3 антитела (теплизумаб), потенциално скъсяване продължителността на проучването с три години. Подходът е удължен до тип 2, където паралелен модел от Kow Pharmaceuticals[LT:7:7.[FLT.7.7][FLT.[F78. от протомичната терапия с бета-тремнамнамнамична полза може да се

Бъдещи насоки и предизвикателства

Интеграцията на изкуствения интелект с големи данни е готова да ускори откриването на диабетна дрога още повече.

Интеграция на мулти-емисии и цифрови близнаци

Вместо да анализират геномиката, протеомиката и метаболизма в изолация, нови платформи като Google го правят DeepVariant и Cellarity[ комбинират многоомики данни с електронни здравни записи за създаване на цифрови близнаци на отделни пациенти. Тези виртуални копия могат да бъдат симулирани при хиляди условия на лечение, прогнозирайки ефикасността и токсичността преди всяко човешко изпитване. Пилотно проучване от Takeda Pharmaceuticals[ използва цифрови близнаци за намаляване на фаза II пробното записване с 40%, като същевременно поддържа статистическата мощност. Европейските комисии Digital Twin for Dianes (D2D) проект сега се изграждат специфични за пациентите модели, които включват CGM, упражнения, и инсулинова чувствителност към инсулиновите данни за избора на лечението в реално време.

Генериращи AI за нови молекулярни кандидати

През 2023 г. Инсилико Медицината обяви кандидат за диабетна нефропатия, открита изцяло с AI, която влезе във фаза I клинични проучвания само след 18 месеца на предклиничния процес. Молекулата се насочва към нов път, включващ инхибиране на PHD2, идентифициран чрез анализ на протеомични данни от 10 000 диабетни бъбречни проби. По същия начин Рекурсионни Фармацевти използва своята фенотипична скринингова платформа на 2 милиона клетъчни изображения, за да идентифицира съединение, което обръща глюкотоксичност в бета клетките, сега във фаза I проучвания.

Друго вълнуващо развитие е използването на големи езикови модели (LLMs) за извличане на биомедицинската литература за връзки с наркотици. BioGPT и PubMedBERT[ са били фино обучени за извличане на потенциални цели за диабет наркотици от абстракти, постигане на точност над 80% и идентифициране на 50 нови кандидат гени, които впоследствие са били валидирани в експерименти за нокаунт.

Сносима интеграция на данните и непрекъснат мониторинг

Изследователите сега интегрират тези потоци с EHRs, за да уловят отговорите на реалния свят на лекарства извън клиничните настройки. Например, проучване от Scripps Research Translation Institute използват данни от CGM от 8000 пациенти, за да покажат, че нощната глюкозна вариабилност е по-добър предсказуем фактор за неуспех от лечението, отколкото само HbA1c. Тази метрична стойност се приема като изследователска крайна точка при проучвания в ранна фаза на инсулини веднъж седмично, потенциално намалявайки размерите на пробите с 30% в сравнение с използването на HbA1c като първична крайна точка.

Сдобряващите данни също позволяват дистанционно наблюдение за неблагоприятни събития. Апликацията Проучване на сърцето методологията се адаптира за диабет: голяма програма за наблюдение след пускане на пазара за SGLT2 инхибитор използва Smartwatch откриване на падания и синкоп, за да забележи хипогликемични събития в реално време, като сигналите се изпращат директно до изследователите на клинични проучвания.

Етични и регулаторни съображения

Използването на големи данни повдига важни етични въпроси. Алгоритъмни пристрастия, поверителност на данните и информирано съгласие за вторично използване на данни трябва да бъдат разгледани. FDA...]ФДА...Дигитален здравен център на отлични постижения разработва рамки за валидиране на биомаркери и крайни точки, базирани в AI. Освен това, усилия като Всички наши изследователски програми подчертават прозрачността на данните и ангажираността на общността с цел да се гарантира различно представяне в нематодирани количества.А 2024 анализ на 18 големи диабетни биобанки установи, че само 12% от участниците са от африканските предшественици, подчертавайки риска от развитие на лечения, които не могат да работят еднакво в различните популации. Инициати като H3AFRIC и NW York Genome Centers PING проучване се стреми да за тясно тази разлика от групите по отношение на диабета.

Преодоляване на данни Silos

Въпреки напредъка, широкомащабната интеграция на патентованите фармацевтични данни с публични неточности остава предизвикателна. Инициативи като Ускоряване на партньорството на лекарства за диабет тип 2 (AMP T2D) обединява индустрията, академичните среди и регулаторните органи да споделят предконкурентни данни. AMP T2D вече е допринесло за откриването на 18 нови цели за наркотици, включително PTPN1 и DYRK1A. Партньорството наскоро се разшири в една по-голяма част от общите възможности за достъп до хармонизирани мултиомикции от над 100 000 пациенти, с охранени инструменти, които позволяват на изследователите да анализират данни, без да го копират.

Друго критично развитие е появата на пазарите за данни на база блокчейн. Healtereum и [Океански протокол позволява на пациентите да споделят своите EHR и геномни данни директно с изследователи в замяна на компенсация, заобикалящи институционалните силози. Пилот, включващ 5000 пациенти с диабет тип 1, демонстрират осъществимостта на този подход, като 70% от участниците завършват 12-месечен период за споделяне на данни и генерират над 2 милиарда точки за данни на CGM, използвани от три фармацевтични компании.

Заключение

Големите анализи на данните не са само постепенно подобрение на данните за диабета, но и на друсането на наркотици. Чрез предоставяне на възможност за идентифициране на целта, основана на надеждни генетични доказателства, прогнозиране на специфични за пациента отговори, оптимизиране на пробните проекти и задвижване на реалните данни, изследователите могат да намалят времето, разходите и нивата на на усвояване, характерни за традиционните тръбопроводи. Историите за наркотици, които се пренареждат, геномично стратификация, както и цифровите симулации на близнаци, показват, че големите данни вече предоставят реално въздействие в света. Тъй като технологичните постижения и споделянето на данни разширяват, взаимодействието между AI и големите данни обещават да осигурят по-точни, ефективни и персонализирани диабетни терапиии, в крайна сметка ще подобрят живота на стотици милиони в света. Следващото десетилетие вероятно ще види първото изцяло AI-открит диабета терапевтично достигане на пазара, трансформирани от данните, ние сме само началото на използването.