Вступ: Діабет Епідемія та Промізація великих даних

діабет мельє, що охоплює цукровий діабет 1 типу, цукровий діабет 2 типу, і гестаціональні форми, залишається одним з найбільш пресуючих глобальних проблем здоров'я. За даними Міжнародної Федерації діабету, близько 537 мільйонів дорослих були живуть з діабетом в 2021 році, з проекціями, що засихають минулого 783 млн до 2045 року. Захворювання накладає стабілізуючу економічну тягар, що дозволяє оцінити $ 966 млрд щорічно в витрачанні на здоров'я. Традиційне відкриття препарату, неординарно повільний і дорогий процес, часто займає 10–15 років і більше $2.6 млрд, щоб принести єдиний новий лікувальний ринок. У цьому контексті велика аналітика з'явся, що раніше, що перетворилася, що непритомний час

Великі дані в медицині відносяться до масивних, складних даних, створених електронними записами здоров’я (EHR), геномічне осаджування, зносостійкі пристрої, медичне зображення та клінічні випробування. При інтегрованих та аналізованих за допомогою машинного навчання, штучного інтелекту та передових біостатистики ці дані показують приховані візерунки, біомаркери та лікувальні цілі. Для дослідження цукрових діабетів великі дані акселективні визначення нових кандидатів ліків, оптимізації клінічних зразків та персоналізації режимів лікування. Ця стаття розширюється на те, як велика аналітика даних переоцінює ландшафт цукрового діабету терапевтичного відкриття, що забезпечує докладні уявлення, реально-світні приклади та майбутні напрямки.

Розширення ролі великих даних в дослідженнях діабету

Великі дані не є єдиною технологією, але екосистемою джерел даних та аналітичних інструментів. У дослідженнях цукрового діабету, п’ять основних потоків даних переходять:

  • Електронний запис здоров'я: Історії з поздовжнього пацієнта, включаючи діагностику, медикаменти, значення лабораторії (наприклад, HbA1c, швидке глюкози), і коморбідності. EHR тепер захоплює мільйони пацієнтів-літків даних, що дозволяють масштабні оглядові дослідження, які б логічно неможливі з традиційними випадалізованими пробами.
  • Геомічні та багатотомні дані: Кель-генеруючий, траномики, протеоміка, метаболіка з тисяч осіб, виявлення генетичних схильностей та молекулярних підтипів. Вартість заспокійливості геном людини скинула нижче $600, що робить його фантастичним для створення популяційних даних, таких як UK Biobank's 500,000 екометрів.
  • Вихі пристрої та датчики: Безперервні монітори глюкози (CGM), тренажери для фітнесу та смарт-інсулінові ручки, що генерують фізико-фізіологічні дані в режимі реального часу. Одиночний датчик CGM виробляє понад 288 гликозних читання в день, пропонуючи щільні часові дані, які можуть виявити динамічні відповіді на втручання.
  • Clinical Trial Data]: Аналіз даних про спадщина плюс реальні світові докази (RWE) з оглядових досліджень та реєстрів. фармацевтична промисловість має вихованцям раніше сильних даних, які тепер переходять на вторинні інсайти.
  • Публічні та пропріетарні бази: Ресурси, як британська біобанк, всі програми досліджень, FinnGen, і Ініціатива генетики дібетів забезпечує відкриті доступні дані для прискорення відкриття.

Інтеграція цих джерел дискретних даних представляє длясередні виклики. Гетерогенність даних, відсутні значення, обмеження конфіденційності (HIPAA/GDPR), а також відмінності у стандартах даних вимагають стійкого гармонізації даних та забезпечення федеративних підходів до навчання. Дослідники все частіше використовують платформи, які підтримують конфіденційність-спостереження аналітики, такі як синтетичне покоління даних та диференціальна конфіденційність, для розблокування інсайтів без компромації конфіденційності пацієнта. Наприклад, Одержание науки про здоров'я та інформатика (OHDSI) мережевий стандартизація даних EHR від понад 300 млн пацієнтів по 20 країн світу з використанням загальної моделі даних.

Прикладом знаків великих даних в дії є Діабетська ремісія клінічної Тріальної (DiRECT)], яка використовувала дані EHR для виявлення пацієнтів, які могли б досягти ремісії через обмеження калорій. Після голографічних аналізів тисяч учасників дослідження виявляли метаболічні підписи, які прогнозували успіх, що призводить до рафінованого вибору пацієнтів і розширеного фінансування для наступних випробувань. Ще одним можливим зусиллям є ACCORD дослідження, чия велика датасет була реанілізована кілька разів, щоб розкрити підгрупи з різними серцево-судинними реаціями.

Як Data Analytics прискорює наркотики

Від виявлення препарату – від цільової ідентифікації до преклінічного тестування, клінічних випробувань та нормативного затвердження — з великих даних на кожному етапі. Нижче ми вивчаємо основні механізми, за допомогою яких аналітика даних прискорює прогрес до терапевтичних терапевтичних досліджень.

Цільова ідентифікація

Історично, лікарські цілі були виявлені через серендіптність або больши лабораторні експерименти. Сьогодні алгоритми машинного навчання Мінуси та траноминні дані для генів контактної точки, білків та шляхів, які з'єднуються з діабетом. Наприклад, Дослідження геноміоди асоціації (GWAS) визнали понад 400 генетичних локусів, пов'язаних з діабетом 2 типу. Однак тільки дроби діє як лікарські цілі. Великі дані аналітики -частково-методичні методи, такі як

Кілька нездатних успіхів є рецептор GLP-1 агоніст клас, тепер основнастатика діабетичної терапії. Ранні геномічні аналізи, що вказують на ген GLP-1R як ключовий регулятор секретності інсуліну. Наслідкові масштабні протеомічні дослідження з використанням даних з UK Biobank і FinnGen] підтвердили, що генетичні варіанти, що впливають на експресію GLP-1R, асоціюються з меншим точне білок, що визначаються біологічними та інші серцево-судинні.

Ще один приклад походить від AMP T2D consortium], який інтегровані транографічні дані з людських панкреатичних із генетичними сигналами асоціації для виявлення гена TCF7L2]] як мета високої довіри. Функціональні дослідження показали, що модульсифікує сигнали TCF7L2 у клітинках бета, а інгібітори маломолекул цього шляху тепер у передклініціальному розвитку.

Попереднє моделювання для наркотичної відповіді

Одним з найбільш захоплюючих додатків великих даних є прогнозування, як індивідуальні пацієнти відповідають на даний препарат. Традиційні випробування середні ефекти лікування в гетерогенному популяції, часто відсутні субпопуляції, які вигоди (або завдаються шкоди). Моделі машинного навчання, навчені на базових лабораторних значеннях, демографічних, геномних маркерах і дочасній історії ліків, можуть розшаровуватися пацієнти на різних груп реагаторів.

Наприклад, дослідження Stanford Medicine використовується дані EHR з 10000 пацієнтів з цукровим діабетом типу 2 для прогнозування метаформинної недостатності ( опублікована в Nature Medicine). Модель досягла AUC 0.85, виявляючи пацієнтів, які потребують додаткової терапії протягом 18 місяців. Такі інструменти можуть інформувати критерії клінічного дослідження, забезпечення того, що тільки ймовірно реагатори зараховуються—поширення розмірів зразків, зменшення витрат і прискорення часу на ринок.

За межами метаформину, полігенних показників ризику (PRS) були розроблені для прогнозування відповіді на сульфоніюлуа, тизолідиніеції та інгібітори DPP-4. Метааналіз 12,000 пацієнтів UK Biobank показали, що особи у найбільшій PRS-дієзії для сульфонії реагували 2,3-кратне збільшення HbA1c порівняно з тими в найнижчому декалі. Фармацевтичні компанії тепер використовують PRS для збагачення фази II для швидкого доказування, потенційно скорочуючи час розробки на 1–2 роки.

Аналогічно, глибокі алгоритми навчання, аналіз даних КГМ може прогнозувати події гіпоглікемії, які задаються заздалегідь. Модель розроблена Google Health і JDRF досягається 92% чутливості при прогнозуванні некверної гіпоглікемії за допомогою всього за шість годин до даних ЦГМ. Ці прогнози не тільки покращують безпеку пацієнта, але дозволяють фармацевтичним компаніям розробляти коротше, більш інформативні Фази II дослідження для нових інсулінних аналогів або бета-клітинних захистів.

Оптимальний клінічний дизайн

Клінічні дослідження є покроковим кроком в розробці ліків. Аналіз великих даних зменшує цей балончик за допомогою:

  • Адаптивні Триалові Дизайни: Використання проміжних даних з декількох зброї, Bayesian статистичні моделі регулювання коефіцієнтів випадкових досліджень або падіння неефективних рано. FDA’s last керівництва щодо адаптивних конструкцій] заохочує цей підхід (FDA керівництва]]). У діабеті VERIFY test використовується безшовний фаза II/III адаптивний дизайн, який зберіг 18 місяців і $40 млн.
  • Digital Twins: штучні елементи штучного інтелекту на основі історичних даних пацієнта зменшують необхідність в ручках, час різання зарахування на 30–50%. Останні Takeda Pharmaceuticals пілот використовували цифрові близки для імітації 200-термічної локації, заміни фактичного зарахування та зменшення тривалості випробувань на 14 місяців при збереженні статистичної потужності.
  • Patient Recruitment]: Природна обробка мови витягує критерії елігування від EHR до відповідних пацієнтів до випробувань. Mercatus Center дослідження]] з'ясував, що такі інструменти покращують ефективність рекрутингу на 40%. TriialReach платформа тепер відповідає діабелектричних пацієнтів до більш ніж 2000 активних випробувань по всьому світу, з 3-кратним збільшенням рівнях зарахування для рідкісних типів 1 діабету.
  • Вибір Site: Попереджувальні моделі виявляються клінічні сайти з високим потенціалом зарахування та хорошим дотриманням протоколу, мінімізація затримки. Модель, що навчається на історичних даних з 500 тестів цукрового діабету, досягається 25% зменшення часу активації сайту.

Наприклад, RADICAL-HF test для запобігання збою з боку діабету, що пов'язана з серцевою недостатністю, використовується хмарна аналітична платформа для гармонізації даних з 30 сайтів, що дозволяє здійснювати моніторинг і адаптаційні зміни. Суд завершився зарахування протягом шести місяців до графіку і надав ранні докази для нового інгібітора SGLT2.

Ще одним інноваційним підходом є використання даних з поздовжнього EHR для побудови пропензії-сцени, що відповідає історичним управлінням. RECOVERY test] для лікування діабету 2 типу показали, що такі зовнішні контрольні руки можуть зменшити необхідність у одночасних групах плащів до 40%, при цьому все ще виробляють надійні оцінки ефективності, що відповідають традиційним випадалізованим конструкціям.

Відеоспостереження та довідки про асоціацію з клієнтами

Після того, як препарат досягає ринку, великі дані продовжують грати вирішальною роллю. Свідчення реального світу (RWE) від страхових претензій, EHR, і реєстри допомагають виявити рідкісні несприятливі події, які діють в більш широкому населенню, і виявити нові показання (рекопування drug). Програма реального світу Evidence FDA RWE Framework]) прийняв RWE для підтримки розширеного маркування для декількох препаратів діабету, включаючи використання інгібіторів SGLT2 для серцевої недостатності на основі даних від 350,000F

Класичний випадок є реопрепозицією метаформіна для профілактики препідіабетів. Пост-хочний аналіз Діабетської програми профілактики] данісет, поєднані з даними EHR від 100 000 пацієнтів, підтвердили, що метаформин знижує прогресування до діабету 2 типу у високоросійських осіб. Це призвело до клінічних рекомендацій, які рекомендують метаформин для препідіабетів, практика зараз економія мільярдів у майбутніх витратах охорони здоров'я. Ще недавно великі дані аналізуються з Swedish National Diabetes Реєстр (covering 500, реальних пацієнтів, що виникають нирки, що мають хронічний результат нирки, що мають хронічних, що мають хронічних даних, що мають хронічні, що мають хронічні, що мають хронічні, що мають хронічні, що мають .

RWE також дозволяє безперервний фармаконілансер. Дослідження виявлення сигналів з використанням EHR з 2 млн діабетичних пацієнтів виявило три раніше нерозпізнані лікарські засоби-попередження, пов'язані з гіпоглікемією, що призводить до оновлених вставок та клінічних рішень, які підтримують оповіщення.

Історії кейсів та успіхів

Кілька останніх ініціатив ілюструють відчутний вплив великих даних на цукровий діабет.

Case Study 1: Наркотики, що покладаються через EHR Mining

В даний час в області досліджень Університет Вандербілта проаналізовано понад 30 мільйонів записів EHR для виявлення препаратів, які вже схвалені для інших умов, які можуть покращити глікологічне управління. Їх алгоритм зазначили // Технічні дослідження підтверджують її ефективність, а випробування Фази II типу 2 типу. Пацієнти показали 0,6% скорочення HbA1c протягом 12 тижнів. Цей проект перемістився з трьох клінічних даних.

Case Study 2: Геномічна повчання для персоналізованої терапії

Пацієнти з діабетом 2 типу виявляє суттєву гетерогенність у відповідь на сульфатулуаки, загальний препарат порожнини рота. Консорціум, що ведеться за допомогою Broad Institute], який продемонстрував зниження медикаментозного кліренсу та підвищений ризик гіпоглікемії. Використовуючи цей пошук, велика система охорони здоров'я впровадила фармакономічне тестування для сульфатних новоутворних пацієнтів, що знижує несприятливі події на 40%. Цей підхід застосовується для полігенних досліджень [100F

Case Study 3: Машинне навчання для захисту від бета-калів

Профілактика гомілки є основною метою для діабету 1 типу. Команда JDRF і / IBM Watson Health навчалася глибока модель навчання на рівні C-пептиду, профілі автоантитіфа, а дані CGM від 2,500 пацієнтів TrialNet. Модель виявила поєднання трьох кровоплинних білків (miR-375, GAD65, IL-1Ra) що прогнозують імунохрому 85%

Майбутні напрямки та виклики

Інтеграція штучного інтелекту з великими даними піддається прискоренню виявлення наркотиків цукрового діабету ще далі. Дослідні тенденції включають:

Багатомовна інтеграція та цифрові близнюки

Статистика C7D для аналізу геноміки, протеоміки та метаболоми у ізоляції, нові платформи, такі як Google DeepVariant та ]Cellarity] поєднує багатооміку дані з електронними записами для здоров'я для створення «цифрових близнюків» окремих пацієнтів. Ці віртуальні копії можуть бути імітовані за тисячами умов препарату, прогнозування ефективності та токсичності перед будь-яким людським випробуванням. Пілотне дослідження з Takeda вправа Pharmaceutical

Генеративний AI для молекулярних кандидатів

Генеративні рекламні мережі (GANs) та моделі трансформатора тепер проектування нових молекул малих і біологічних з нуля. У 2023 Insilico Medicine оголосив кандидата на діабетичне нефропатію, виявлене повністю з AI, що вступила в фазу I клінічні випробування після лише 18 місяців преклінічного розвитку. Молоко спрямований на новий шлях, що включає PHD2 інгібіціонацію, виявлений через аналіз протеомічних даних з 10000 діабелектричних зразків нирок. Аналогічно Виявляти фармацевтичні клітини[Fpictox]

Ще одним захоплюючим розвитком є використання великих мовних моделей (ЛМ) для шахти біомедичної літератури для нарко-таргетних відносин. BioGPT і PubMedBERT] були відмінно втілені для вилучення потенційних цілей діабету з анотації, досягнення точності ставок вище 80% і визначення 50 генів кандидата, які згодом були підтверджені збитками.

Зносна інтеграція даних та безперервний моніторинг

Проліферація CGM та фітнес-трекерів є неприйнятними обсягами фізико-патологічних даних. Дослідники тепер інтегрують ці струмки з EHR, щоб захопити реальні світові відповіді на ліки поза клінічними налаштуваннями. Наприклад, дослідження з Scripps Research Translational Institute] використовуються дані CGM від 8 000 пацієнтів, щоб показати, що нікранової мінливості глюкози є кращим предиктором збоїв лікування, ніж HbA1c самостійно. Цей метрик тепер приймається як розвідувальний кінцевий потенціал у ранньофазних випробуваннях, що скорочуються на 30%

Зносні дані також дозволяють дистанційно контролювати несприятливі події. Методологія адаптована до діабету: велика програма спостереження за пост-ринками для інгібітора SGLT2 використовує виявлення падінь і синхронізацію для виявлення психіків та конденсату для виявлення психіки в реальному часі, з оповіщеннями, які надсилаються безпосередньо до клінічних слідчих.

Етичні та нормативні характеристики

Центр досліджень конфіденційності даних – розробка рамок для перевірки біомаркерів на основі AI та кінцевих точок. Крім того, зусилля, як Все з наукової програми , що стосуються прозорості та взаємодії громади, щоб забезпечити різноманітне представлення в даних. У 2024 аналізі 18 великих біобанків цукрового діабету, які були однаковими , зокрема, дослідження прозорості та взаємодії громади, щоб забезпечити різноманітне представлення в даних.

Надходження даних Silos

Незважаючи на прогрес, масштабна інтеграція фірмових фармацевтичних даних з публічними даними залишається складним. Ініціативи, такі як Акселективне партнерство для Type 2 Diabetes (AMP T2D) об'єднають промисловість, акадмію та регуляторні органи для обміну даними. AMP T2D вже сприяло відкритті 18 нових лікарських цілей, включаючи PTPN1 та DYRK1A. Партнер нещодавно розширився в «Загальні дані», що надає хмарний доступ до гармонізованих багатоомних даних, які містять понад 100 тисяч пацієнтів, з використанням fedsolized конфіденційності, що дозволяє копіювати науковці, які ніколи не копіюючі інструменти, які ніколи не копіюються, які раніше, які раніше, що копіровані, що ніколи не скопались.

Ще одним критичним розвитком є поява блокчейн-ринків даних. Healthereum і Ocean Protocol тепер дозволяють пацієнтам поділитися своїми EHR і геномними даними безпосередньо з дослідниками в обмін на компенсацію, обходячи інституційні лосося. Пілот, що включає 5 000 тип 1 діабету, показав доцільність цього підходу, з 70% учасників, що закінчили 12-місячний період обробки даних і генерують понад 2 мільярди точок даних CGM, використовуваних трьома фармацевтичними компаніями.

Висновок

Аналіз великих даних не є неприпустимою поліпшення в цукровому діабеті, що є парадигмом зсувом. Завдяки цьому визначення цілі на основі надійних генетичних доказів, прогнозування специфічних відповіді пацієнта, оптимізації тестових зразків та важільне використання даних в реальному світі, дослідники можуть зменшити час, вартість та ставки на навчання, характерні для традиційних трубопроводів. Історія відновлення препарату, геномічна стратифікація та цифрові гемомітатори показують, що великі дані вже забезпечують реальний вплив. Як технологія заздалегідь та розширення даних, синергія між AI та великими даними обіцяє забезпечити більш точний, ефективний та персоналізований розвиток глобальних діабетів, що перетворюються сотні тисяч