סוכרת אפידמית וההבטחה של Big Data

סוכרת, הכוללת סוכרת מסוג 1, סוכרת מסוג 2, וצורות הריון, נשאר אחד האתגרים הבריאותיים הגלובליים הדוחקים ביותר.על פי הפדרציה הבינלאומית לסוכרת, כ-537 מיליון מבוגרים חיו עם סוכרת בשנת 2021, עם תחזיות המתפתלות ב-783 מיליון עד 2045.המחלה מטילה נטל כלכלי מזעזע, עלה כ- 966 מיליארד דולר בשנה בהוצאות הרפואיות המסורתיות, ושוק יקר יותר מ- 15 מיליארד דולר, לעתים קרובות, מביא לדיכאון גדול יותר מ-15 מיליארד דולר, והפך לדיכאון, לדיכאון, ל- 15.

נתונים גדולים בבריאות מתייחסים למאגרי המידע העצומים והמורכבים שנוצרו על ידי רשומות בריאות אלקטרוניות (EHRs), ריצוף גנטי, מכשירים לבישים, הדמיה רפואית, וניסויים קליניים.כאשר משולבים וניתחו באמצעות למידת מכונה, בינה מלאכותית וביוטכנולוגיה מתקדמת, נתונים אלה חושפים דפוסים נסתרים, ביומרקרים ומטרות טיפוליות.

התפקיד הרחב של Big Data במחקר סוכרת

נתונים גדולים אינם טכנולוגיה אחת, אלא מערכת אקולוגית של מקורות נתונים וכלים אנליטיים. במחקר סוכרת, חמישה זרמי נתונים ראשוניים הם שילוב:

  • (FLT:0) רשומות בריאות אלקטרוניות (Electronic HealthassesFLT:1: היסטוריה סבלנית ארוכה כולל אבחון, תרופות, ערכי מעבדה (למשל, HbA1c, גלוקוז צום), ותחלואה. EHRs עכשיו ללכוד מיליוני שנות חולים של נתונים, המאפשרים מחקרים תצפית בקנה מידה גדול יהיה בלתי אפשרי עם ניסויים אקראיים.
  • (FLT:0)Genomic ו- Multi-Omics DataBuildFLT:1: Whole-genome Sequencing, ⁇ , Proteomics, ו metabolomics מאלפי אנשים, חושף נטייה גנטית ו subtypes מולקולרית.העלות של ריצוף גנום אנושי ירד מתחת ל-600 דולר, מה שהופך אותו אפשרי לייצר נתונים בקנה מידה של אוכלוסייה כמו 500 אלף מיקרו-ביו-בנקים בבריטניה.
  • (FLT:0) מכשירים וחיישנים הניתנים להחלפה 1:1: צגים של גלוקוז רציף (CGMs), עוקבים כושר, ו עטים חכמים אינסולין שיוצרים נתונים פיזיולוגיים בזמן אמת. חיישן CGM יחיד מייצר מעל 288 מקרי קריאה של גלוקוז ליום, המציע נתונים זמניים צפופים שיכולים לחשוף תגובות דינמיות לתערבויות.
  • (FLT:0Clinical Trials DataFLT:1: Legacy Trial Datasets בתוספת ראיות בעולם האמיתי (RWE) ממחקרים ורשומות תצפיתיות.תעשיית התרופות מחזיקה בחיות של נתונים שהושקו בעבר, אשר עכשיו הם ממוקשים לתובנות משניות.
  • (FLT:0) ציבוריות ו-Prorietary DatabasesFIRLT:1) : משאבים כמו בריטניה Biobank, All of Us Research Program, FinnGen, ו-Diaגנטיקהs Initiative מספקים נתונים נגישים באופן גלוי כדי להאיץ את הגילוי.

השילוב של מקורות נתונים שאינם נפרדים אלה מציג אתגרים עצומים.הטרוגניות של נתונים, ערכים חסרים, מגבלות פרטיות (HIPAA/scaleGDPR), והבדלים בתקני נתונים דורשים פגיעה בנתונים וגישות למידה מאוזנים יותר. חוקרים משתמשים בפלטפורמות שמעודדות ניתוחי פרטיות (HIPAA/scaleGDPR), כמו מחקר סינתטי ופרטיות שונה, כדי לפתוח תובנות ללא סודיות מתאימה למטופל, לדוגמה, מדעי הבריאות העולמיים מ-0 מיליון משתמשים ב-DNS) ב-CENUMD (OL) ב-D) ב-DMSDMS) ב-CEMS) ב-CEMSD רגיל (המידע רגיל (המידע רגיל (OLTS) ב-D) ב-CE) ב-DNS) ב-D) ב-D) ב-DNSDNSDINSDINS) ב-DNSDNSDNSDNS (ב-CEMS) ב-DNS) באמצעות שימוש ב-DNS (ברמה של נתונים סטנדרטיים ב-D) ב-DNS ו-DMS-CEMS ו-CEMS) ב-CEMS-CEMS) באמצעות שימוש ב-CEMS) ב-CEMSD) באמצעות שימוש ב- 300 מיליון

דוגמה ציונית של נתונים גדולים בפעולה היא ה- EHRLT:0 (Diabetes Remission Clinical Trial (DiRECT)FLT:1, שהשתמש בנתונים של EHR כדי לזהות חולים שיכולים להשיג הפוגה באמצעות הגבלת קלוריות. Post ניתוחי של אלפי משתתפים במשפט חשף חתימות מטבוליות שחזה הצלחה, המוביל לקריטריונים בחירה מעודנים ומורחבות עבור ניסויים הבאים.

כיצד Data Analytics מאמת את גילוי הסמים

צינור גילוי התרופה - מזיהוי מטרה ועד בדיקות קליניות, ניסויים קליניים, אישור רגולטורי - מהנתונים הגדולים בכל שלב.כאן אנו בודקים את המנגנונים המרכזיים שבאמצעותם ניתוח נתונים מאיץ את ההתקדמות לקראת טיפול תרופתי חדש לסוכרת.

זיהוי ואימות

(הופנה מהדף serendipity או Painsing Laboratory.היום, אלגוריתמי למידת מכונה אלגוריתמים genomic ו- wimomic נתונים כדי לאתר גנים, חלבונים, ונתיבים הקשורים באופן סיבתי לסוכרת.לדוגמה, Genome-Wide Association Studies (GWAS) זיהו מעל 400 lociated גנטי הקשורים לסוכרת מסוג 2.

אחת מההצלחה הבולטת היא ה- 0GLP-1 קולטן agonigistFLT (הראשון) מחלקה 1:1, עכשיו עמוד עיקרי של טיפול בסוכרת.ניתוחים גנטיים מוקדמים הצביעו על גן GLP-1R כמפקח מפתח של סודיות אינסולין (התוצאות הגדולות של ספקטרום גבוה) אשר מאפשרות שימוש בנתונים מ-FLT:2UK BiobankFLT 3 ו- 4Fightrated) לאפקטים גנטיים נמוכים יותר.

דוגמה נוספת מגיעה מן ה-FLT:0 AMP T2D conortiumFLT:1, אשר שילב נתונים תמלילים מאבני לב של אדם עם אותות אגודה גנטית לזהות את הגן FLT:2TCF7L2FLT 3 כמטר אבטחה גבוהה, מחקרים פונקציונליים הראו כי TCF7L2ulates ו-Wnting תאים קטנים כיום, הם מעכבים של התפתחות קלינית זו.

מודלים לחיזוי תגובה לסמים

אחת האפליקציות המרגשות ביותר של נתונים גדולים צופה כיצד מטופלים בודדים יגיבו לתרופה נתונה.מבחנים מסורתיים ממוצעים של השפעות טיפול על פני אוכלוסייה הטרוגנית, לעתים קרובות חסרים תת-פופולריות כי תועלת (או נפגעים) מודלים למידת מכונה, מאומן על ערכי מעבדה בסיסית, דמוגרפים, סמנים גנטיים, והיסטוריית התרופות הקודמות, יכול לסווג חולים באופן ייחודי לקבוצות תגובה.

לדוגמה, מחקר שנערך על ידי ההרחבה:0 (Stanford MedicineveFLT:1) השתמש בנתונים EHR מ-10,000 חולים עם סוכרת מסוג 2 כדי לחזות כישלונות metformin (FLT:2 שפורסם ב- Nature MedicineveFLT 3), המודל השיג AUC של 0.85, זיהוי חולים הדורשים תוספת טיפול בתוך 18 חודשים, כלים כאלה יכולים להודיע קריטריונים של ניסויים קליניים, המבטיחים כי הם רק מגיבים, רק מדגמי מזון, ולהפחית את עלויות זמן, כדי להפחית את עלויות מופחתות, כדי להפחית את עלויות.

מעבר ל metformin, ציוני סיכון פוליגניים (PRS) פותחו כדי לחזות תגובה ל-Sulfonylureas, thiazolidinediones, ו- DPP-4 מעכבים. A 2024 meta-analysis של 12,000 חולים ב-FLT:0UK BiobankFLT:1 הראה כי אנשים ב- PRS decile הגבוה ביותר עבור sulfrea היו בסיכון נמוך יותר ל-H2-i-i-i-i-i-iprea בשלב הראשון של זמן ל-H% 2.

בדומה לכך, אלגוריתמים מעמיקים של ניתוח נתונים CGM יכולים לצפות לאירועים hypoglycemic בימים מראש.מודל שפותח על ידי FLT:0Google HealthBuildFLT:1 ו-FLT:2JDRFreaFLT 3 השיגו 92% רגישות בחיזוי hypoglycemia nocturnal באמצעות רק שש שעות של נתונים קודמים של CGM.

אופטימיזציה של תכנון ניסויים קליניים

ניסויים קליניים הם הצעד המגביל את קצב התפתחות התרופות. Big Data Analytics מקטין את צוואר הבקבוק באמצעות:

  • (ב) (ב) ;0) עיצובי משפט חריגים (FLT:1: השימוש בנתונים ביניים ממספר הזרועות, מודלים סטטיסטיים ביירסיים להתאים את יחסי אקראיות או ירידה בזרועות לא יעילות מוקדם:2 (ההנחיות האחרונות של ה- FDA על עיצובים מתאימים FLT 3: 3 מעודד גישה זו (FLT:4 , 5) בסוכרת, ההנחיות האחרונות של ה-FILT 183103103103103103103 חודשים).
  • (FLT:0) תאומים דיגיטליים (FLT:1): בקרה סינתטית של AI-generated המבוססת על נתונים היסטוריים של המטופל להפחית את הצורך בנשק פלצבו, חיתוך זמן ההרשמה ב -30-50%. A לאחרונה FLT:2 Takeda PharmaceuticalsFLT 3 פיילוט השתמש תאומים דיגיטליים כדי לדמות הזרוע של 200 מטופלים, החלפת רישום בפועל וצמצום משך המשפט על ידי 14 חודשים תוך שמירה על כוח סטטיסטי.
  • (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) בחירתו של בחירתו של LT:1: מודלים חיזוי מזהים אתרים קליניים עם פוטנציאל הרשמה גבוה וציות פרוטוקול טוב, צמצום עיכובים.מודל שהוכשר על נתונים היסטוריים מ-500 ניסויים סוכרת השיג ירידה של 25% בזמן ההפעלה באתר.

לדוגמה, ה- 0 ;0 ⁇ ICAL-HF משפט HF LT:1 עבור אי ספיקת לב הקשורה לסוכרת השתמש בפלטפורמת ניתוח מבוססת ענן כדי לפגוע בנתונים מ -30 אתרים, המאפשר מעקב בזמן אמת ושינויים הסתגלותיים.הניסוי השלים רישום שישה חודשים לפני לוח הזמנים וסיפק ראיות מוקדמות לשילוב מעכב SGLT2or חדש.

גישה חדשנית נוספת היא השימוש בנתונים ארוכי טווח של EHR כדי לבנות את הפקדים ההיסטוריים התואמים את ה- propensity-score.TheFLT:0 FILERECOVERY Proph:1 עבור טיפולים סוכרת מסוג 2 הראו כי זרועות שליטה חיצוניות כאלה יכולות להפחית את הצורך בקבוצות פלצבו במקביל עד 40%, תוך יצירת הערכות יעילות חזקות עקביות עם עיצובים אקראיים מסורתיים.

ראיות אמיתיות בעולם ופוסט-Market Surveillance

לאחר שתרופה מגיעה לשוק, נתונים גדולים ממשיכים למלא תפקיד מכריע בראיות בעולם האמיתי (RWE) מתביעות ביטוח, EHRs ורשומות מסייעות לזהות אירועים חריגים נדירים, לאמת את יעילותן של אוכלוסיות רחבות יותר, וגלו סימנים חדשים (הפחתת תרופות) מ-EpLT:0) של תוכנית ראיות אמיתיות בעולם ה-FDA (FLT:2WE מסגרת 3DRWE) התרחבה לשימוש במספר תרופות מסוג 2.

(הופנה מהדף מצגת של metformin' Repurposing for prediabetes Prevention. Post-hoc Analysis of the FLT:0Diabetes Prevention ProgramFLT:1 Dataset, בשילוב עם נתוני EHR מ-100,000 חולים, אישר כי metformin מוריד את ההתקדמות לסוכרת מסוג 2 ב-High-world אנשים בסיכון גבוה.This הובילה להנחיות קליניות של LTin עבור סוכרת, וכעת חיסכון של מיליארדי דולרים (Fish) מ-S) מניתוחים חדשים של נתונים של סוכרת (DPSDPSDILDL)

RWE גם מאפשר pharmacovigilance מתמשך. AFLT:0 (Korean Signal Study) 1 באמצעות EHRs מ 2 מיליון חולי סוכרת זיהו שלושה אינטראקציות סמים לא מוכרים בעבר הקשורים hypoglycemia, המוביל לחבילות מעודכנים ואזהרות החלטות קליניות.

סיפורי הצלחה וסיפורי הצלחה

כמה יוזמות האחרונות ממחישות את ההשפעה המוחשית של נתונים גדולים על גילוי טיפולי סוכרת.

מקרה מחקר: תרופות מתחדשות באמצעות EHR Mining

חוקרים מאוניברסיטת נדרביל (FLT:0) ניתחו כעת מעל 30 מיליון רשומות EHR כדי לזהות תרופות שכבר אושרו עבור תנאים אחרים שעשויים לשפר את השליטה הגליקמית שלהם; האלגוריתם שלהם מעוגן:2niclosamideFLT3 (%) כי כעת טיפול ב- 0a-t-inthic) כמועמד המפעיל פרויקט AMPK ולהפחית את ייצור הגלוקוזמת ה-HFbnbnb- 12.6% מ-i-i) ל- 12.

מקרה מחקר 2: סטיות לגיטימיות לטיפול אישי

(ב) חולים עם סוכרת מסוג 2 מציגים רטינוגניות ניכרת בתגובה ל-Sulfonylureas, תרופה אוראלית נפוצה (Aconortium) אשר הובילה את FLT:0Broad InstituteFLT:1 ביצע תווית רב-אתנית זו של 15 חולים וזיהתה גרסה ב-FLT:2CLTFalute התרופה 3, אשר חשפה כעת את התרופה הפחתת הסיכון ל-JicoxiOS) של 40%.

מחקר שלישי: Machine Learning for Beta-Cell Protection Biomarkers

(המנעה של ירידה בטא-תא היא מטרה מרכזית לסוכרת מסוג 1.A צוות מ- (FLT:0JDRFLT 1 ו-FLT:2IB ווטסון HealthBuildFLT 3) אשר פיתחו מודל למידה עמוק על רמות C-peptide, פרופיל נוגדנים עצמי ו- CGM מ-2,500 חולים ב-FLTDFR: 5) אשר ניתן כעת לקצר את מודל ה-DIDID.

כיוונים עתידיים ואתגרים

שילוב של בינה מלאכותית עם נתונים גדולים צפוי להאיץ את גילוי התרופות של סוכרת אפילו יותר. מגמות מתפתחות כוללות:

אינטגרציה מרובה-Omics ו- Digital Twins

(במקום לנתח genomics, Proteomics ו metabolomics בבידוד, פלטפורמות חדשות כגון סוכרת:0 של Google DeepVariantof 1 ו-FLT:2Cellarity FigveFLT 3 משלבות נתונים של סוכרת מסוג 6D עם רשומות בריאות אלקטרוניות כדי ליצור "תאומים דיגיטליים" של חולים בודדים.LT אלה ניתן לדמות תחת תנאים של תרופות, ו-D2, לפני ניסוי יעיל של 4D2D.

AI ליצירת מועמדויות מולקולריות

(הדוגמניות) ומודלים המבוססים על הטרנספורמציה מעצבים כעת מולקולות קטנות וביוטכנולוגיה חדשים מאפס.ב-2023,FLT:0) ומודלים המבוססים על תרופות אסטראו 1:1 הודיעו על מועמד רעיל לערפילית סוכרתית שהתגלה לחלוטין עם AI, אשר נכנס לשלב I ניסויים קליניים לאחר 18 חודשים בלבד של התפתחות קלינית.

התפתחות מרגשת נוספת היא השימוש במודלים שפה גדולים (LLMs) ליצר את הספרות הביו-רפואית עבור יחסי סמים-target.FLT:0BioGPTIRLT:1 ו-FLT:2 (PubMed AlbertcioFLT 3:) הוקדשו היטב כדי לחלץ מטרות סמים פוטנציאליות מפשטות, השגת שיעורי דיוק מעל 80% ו-50 מועמדים חדשים אשר לאחר מכן הם תקפים בניסויים.

שילוב נתונים עקיף ו ניטור רציף

ההתפשטות של CGMs ו- Fiters מייצרת כמויות חסרות תקדים של נתונים פיזיולוגיים. חוקרים משלבים כעת את הזרמים האלה עם EHRs כדי ללכוד תגובות בעולם האמיתי לתרופות מחוץ להגדרות קליניות.לדוגמה, מחקר מ-FLT:0Scripps מחקר תרגום ראשוני של CGMFLT:1 השתמש בנתונים CGM מ-8,000 חולים כדי להראות כי חוסר יכולת גלוקוז היא טיפול מוקדם יותר מאשר טיפול ב-HPTS לאחר טיפול ראשוני של HCRIUMD.

נתונים לבישים גם מאפשרים ניטור מרחוק לאירועים שליליים.ה-FLT:0) אפל לב מחקר מתודולוגיה 1 מתודולוגיה מותאמת לסוכרת: תוכנית מעקב פוסט-שיווק גדולה עבור מעכב SGLT2 משתמשת בגילוי חכם של נפילות וסינכרון כדי לזהות אירועים hypoglycemic בזמן אמת, עם התראות שנשלחות ישירות לחוקרים קליניים.

שיקולים אתיים והמשפטיים

השימוש בנתונים גדולים מעלה שאלות אתיות חשובות: Algorithmic הטיה, פרטיות נתונים והסכמה מושכלת לשימוש בנתונים משניים יש לטפל בהם.TheFLT:0) המרכז לבריאות דיגיטלית של ExcellenceFLT:1 הוא פיתוח מסגרות לאימות של קבוצות ביומרקדות מבוססות בינה מלאכותית ונקודות קצה, בנוסף, מאמצים כגון LT2 מחקר של תוכנית פיתוח: 3,2F17, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 של מחקר, 000 של מחקר, 000 של מחקר, 000 של מחקר, 000 של מחקר, 000 של מחקר על ידי מחקר על ידי מחקר על ידי מחקר על ידי מחקר של מחקר של מחקר על ידי HIV, 000 של מחקר על ידי HIV, 000 של מחקר, 000 של מחקר, 000 של מחקר, 000 של מחקר על ידי HIV, 000 של מחקר על ידי מחקר על ידי HIV, 000 של מחקר על ידי HIV, 000 של מחקר זה יכול להיות מדגישהמרכז עבודה, 000 000 000 000 $ מחקר זה יכול להיות מדגישהמרכז עבודה, 000 000 000 000 000 של מחקר, 000 של מחקר זה היה יכול להיות מדגישהמחקר של מחקר על ידי שקיפות של מחקר על ידי שקיפות של מחקר על ידי HIV, 000 000 000 000

מידע נוסף Silos

למרות ההתקדמות, שילוב נרחב של נתונים של תרופות קנייניות עם נתונים ציבוריים נשאר מאתגר.מיזמים כגון:0Accelerating תרופות השותפות עבור סוכרת מסוג 2 (AMP T2D) SOL:1 להביא יחד תעשיות, אקדמיה וגופים רגולטוריים לחלוק נתונים לפני-תחרותיים, ללא מידע רב-תכליתי.

התפתחות קריטית נוספת היא הופעתה של שוקי נתונים מבוססי blockchain.FLT:0.Healthereumph1 ו-FLT:2Ocean ProtocolveFLT 3 עכשיו לאפשר לחולים לשתף את הנתונים EHR שלהם ו- genomic ישירות עם חוקרים בתמורה לפיצוי, ע"י עק של חברות ניתוחי תרופות מסוג 5,000 סוכרת מסוג 1 חולים הראו את האפשרות של גישה זו, 70% של משתתפים עם 12 חודשים של 2 מיליארד משתמשים.

מסקנה

ניתוח נתונים גדול אינו רק שיפור מצטבר בגילוי תרופות סוכרת - הוא שינוי פרדיגמטי. על ידי מתן זיהוי מטרה המבוסס על ראיות גנטיות חזקות, לחזות תגובות ספציפיות לחולה, אופטימיזציה עיצובי ניסוי, ומינוף נתונים אמיתיים בעולם, החוקרים יכולים להפחית את הזמן, עלות, ואת שיעורי התשה אישית של צינורות מסורתיים בעולם.