Giới thiệu: The Diabetes Epidmic và lời hứa của Big Data

Bệnh tiểu đường, tiểu đường, tiểu đường loại 1, tiểu đường loại 2 tiểu đường, và dạng địa tĩnh, vẫn là một trong những thử thách nghiêm trọng nhất về sức khỏe toàn cầu. vẫn còn một trong những vấn đề sức khỏe toàn cầu.

Dữ liệu lớn trong chăm sóc y tế đề cập đến những bộ dữ liệu khổng lồ, phức tạp được tạo ra bởi dữ liệu sinh học điện tử (EHRs), kỹ thuật gen, thiết bị mặc quần áo, hình ảnh y tế và thử nghiệm lâm sàng. Khi tích hợp và phân tích bằng máy tính, thông tin nhân tạo, và các dữ liệu tiên tiến tiết lộ các mẫu ẩn, các mục tiêu sinh học, và các mục tiêu điều trị. Đối với tiểu đường, dữ liệu lớn đang tăng tốc sự nhận diện ứng viên thuốc mới, tối ưu hóa thiết kế thử nghiệm lâm sàng, và chế độ điều trị cá nhân. Bài này mở rộng về cách thức dữ liệu lớn hơn là tái tạo lại các cảnh quan sát tiểu đường, cung cấp các chi tiết, các hướng dẫn chi tiết và chi tiết, và hướng dẫn thực tế.

Vai trò mở rộng của dữ liệu lớn trong việc nghiên cứu tiểu đường

Dữ liệu lớn không phải là một công nghệ đơn lẻ mà là một hệ sinh thái của các nguồn dữ liệu và công cụ phân tích. trong nghiên cứu tiểu đường, năm dòng dữ liệu chính đang hội tụ:

  • Ghi chép sức khỏe Elctoric ): Lịch sử bệnh nhân dài bao gồm chẩn đoán, thuốc, giá trị phòng thí nghiệm (v. d., HbA1c, kiêng ăn, và các tính năng kết hợp. EHRRs hiện đang ghi lại hàng triệu năm của dữ liệu, cho phép các nghiên cứu quan sát quy mô lớn mà sẽ không thể đăng nhập với các thử nghiệm truyền thống ngẫu nhiên.
  • Dữ liệu đa ngôn ngữ [FLT: 0] và đa nguyên ): Cả bộ gen, bản sao, bộ gen, bộ phận phân tử, và chuyển hóa từ hàng ngàn cá thể, tiết lộ các định giới gen và các phân tử. Giá trị của bộ gen con người đã giảm xuống dưới 600, làm cho khả năng tạo ra các tập hợp dữ liệu dân số như hệ thống dữ liệu của các ngân hàng quốc gia ở Anh.
  • Thiết bị và bộ cảm biến có thể sử dụng [FLT: 1]: màn hình kỹ lưỡng của chất béo (CGM), bộ theo dõi tập thể dục, và bút insulin thông minh tạo dữ liệu thực tế. Một bộ cảm biến CGM đơn lẻ tạo ra hơn 288 lượng tử đọc trong ngày, cung cấp dữ liệu thời gian dày đặc có thể cho thấy phản ứng động lực khi can thiệp.
  • Dữ liệu thử nghiệm trực tiếp ): di sản tập hợp dữ liệu thử nghiệm cộng với các bằng chứng thực tế (REE) từ các nghiên cứu quan sát và đăng ký.
  • Cơ sở dữ liệu Pblic và Proprietary : tài nguyên như Biobank, Tất cả chương trình nghiên cứu của chúng ta, Finngen, và dự án di truyền học của Diabetes cung cấp dữ liệu công khai để tăng tốc phát hiện.

Sự kết hợp của các dữ liệu không phân biệt được này đưa ra những thách thức lớn. Sự tương thích dữ liệu, giá trị bị mất đi, hạn chế tính riêng tư (HIPAA/GDPR), và sự khác biệt trong tiêu chuẩn dữ liệu đòi hỏi sự hòa hợp dữ liệu mạnh mẽ và sự dinh dưỡng bảo mật tiếp cận. Các nhà nghiên cứu ngày càng sử dụng các nền tảng hỗ trợ sự riêng tư, như dữ liệu tổng hợp và sự riêng tư vi, để mở khóa sự hiểu biết mà không làm hư hỏng tính bảo mật của bệnh nhân. Lấy thí dụ, [FT: 0] Cơ quan Y tế Khoa học và Thông báo Y tế (HSSSS) [HI] [ĐT] [ĐT] thông tin thường mạng lưới thông tin từ hơn 20 triệu bệnh nhân, thông tin toàn cầu, thông tin qua một số dữ liệu có thể được.

Một ví dụ điển hình về dữ liệu lớn trong hành động là [FLT: 0] [FLT: 0] [FLT:] [FLT: 0] [FLT dữ liệu lớn trong hành động] [FLT: 0]. Sau khi phân tích hàng ngàn người tham gia thử nghiệm, họ đã tiết lộ những ký hiệu chuyển hóa thành công, dẫn đến tiêu chuẩn chọn lọc bệnh nhân và tăng cường tài trợ cho các thử nghiệm sau đó. Một nỗ lực khác không thể là [FT: CACCC nghiên cứu[FL], tập hợp dữ liệu bao gồm nhiều lần để tìm ra cách đối phó với các nhóm khác nhau để kiểm soát hệ thống.

Cách phân tích dữ liệu gia tăng sự khám phá ma túy

Các đường ống khám phá thuốc từ xác định mục tiêu đến các thử nghiệm trước khi thử nghiệm, và các xét nghiệm lâm sàng, và sự chấp thuận theo quy định từ dữ liệu lớn ở mỗi giai đoạn.

Kiểm tra và nhận diện mục tiêu

Ngày nay, máy học thuật toán tương đối và ghi chép dữ liệu để xác định gen, protein và con đường nối liền với tiểu đường. Ví dụ, Genome-Weac Studies (GWAS) đã xác định hơn 400 loci liên quan đến loại 2. Tuy nhiên, chỉ một phần nhỏ được xác định là xác định là có thể dùng được chất gây nghiện. Dữ liệu lớn có thể liên quan đến bệnh tiểu đường.

Một thành công đáng kể là [FP:] bộ điều chỉnh nhận diện sinh học sinh vật học GLP-1] [FLTT:1), hiện nay là một lớp học sinh chủ yếu của liệu pháp tiểu đường. Đầu tiên, phân tích gen GP-R chỉ vào gen GLP1] như là một bộ điều chỉnh mã insulin. Sau đó, các biến thể lớn ảnh hưởng đến biểu thức , UBXK [FL:3] và [FT: Fin4] xác định rằng các cấu trúc cấu trúc protein có thể hấp dẫn, ít hơn so với các mô hình kết hợp chất hữu cơ, và các mẫu hữu cơ. Hơn nữa, có thể xác định được xác định cấu trúc protein có thể hấp dẫn, và xác định được.

Một ví dụ khác đến từ AMP T2D sunction ), mà tích hợp dữ liệu ghi chép từ tuyến tụy con người với các tín hiệu gen tương tác với nhau để nhận dạng gen TCF72 [FTT:3] như một mục tiêu cao độ. Các nghiên cứu hàm số cho thấy rằng TC7L2 tín hiệu theo chiều ngang trong tế bào, và chất ức chế nhỏ của con đường này hiện nay là trong sự phát triển tiền định.

Cách tiên đoán để đáp ứng ma túy

Một trong những ứng dụng thú vị nhất của dữ liệu lớn là dự đoán cách các bệnh nhân sẽ phản ứng với một loại thuốc đã được đưa ra thử nghiệm thông thường với những hiệu ứng điều trị trung bình trên một cộng đồng không giống nhau, thường thiếu những người dân thường có lợi (hoặc bị tổn hại).

Thí dụ, một nghiên cứu của Y học [FLT:] [FLT: 1] đã dùng dữ liệu EHR từ 10.000 bệnh nhân loại 2 bệnh nhân bị tiểu đường để dự đoán thất bại ) ) ) trong tự nhiên . Mô hình đạt được mức AUC của 0.85, nhận diện bệnh nhân cần thêm liệu pháp điều trị trong vòng 18 tháng. Những công cụ như thế có thể thông báo cho các tiêu chuẩn lâm sàng, bảo đảm rằng chỉ có thể người đăng ký - kích cỡ mẫu, giảm chi phí thời gian và tăng thị trường.

Ngoài ra, số liệu về stformin (PRS) đã được phát triển để dự đoán phản ứng với sulfylures, thiazolidinediones, và DPP-4 ức chế. Một số siêu phân tích của 12.000 bệnh nhân trong [FLT: 0] US [FLT: 0] cho thấy rằng những cá nhân trong dòng PRS di chuyển cao nhất cho phản ứng supfnyure có tỷ lệ giảm mạnh hơn 2.3 lần so với những người bị thương vong thấp nhất. Bây giờ, các công ty PRS dùng để làm giàu có các thử nghiệm II-coni công ty phát triển nhanh chóng, có khả năng cắt giảm dòng thời gian.

Tương tự, việc học tập kỹ thuật toán có thể dự đoán trước các sự kiện liên quan đến các sự kiện đường cong (FLT:0) và ); các sự kiện liên quan đến các sự kiện liên quan đến sự kiện liên quan đến đường cong (FLT: 1). Một mô hình được phát triển bởi chỉ bằng sáu giờ trước dữ liệu CGM. Những dự đoán này không chỉ cải thiện sự an toàn mà còn cho phép các công ty dược phẩm thiết kế ngắn hơn, giai đoạn II có tính chuyên sâu hơn để nghiên cứu về insulin tương tự hoặc liệu bảo vệ tế bào.

Thiết kế thử nghiệm điều trị tô sáng

Thử nghiệm lâm sàng là bước giới hạn trong quá trình phát triển thuốc dữ liệu lớn làm giảm cái cổ chai này qua:

  • Thiết kế thử nghiệm ): dùng dữ liệu tạm thời từ nhiều cánh tay, mô hình thống kê Bayesian điều chỉnh tỷ lệ ngẫu nhiên hoặc giảm vũ khí không hiệu quả. Hướng dẫn gần đây của FLD về thiết kế thích ứng [FLT:] khuyến khích phương pháp này ( hướng dẫn .
  • Một công ty sinh đôi ): điều khiển tổng hợp dựa trên dữ liệu bệnh nhân lịch sử giảm nhu cầu dùng tay giả, cắt thời gian đăng ký bởi 30–50%. Một tiến trình Lấy [FLT:] Lấy máy tính] dùng cặp song sinh số để mô phỏng một vị trí giả lập cánh tay giả 200 bệnh nhân, thay thế việc đăng ký và giảm thời gian thực tế trong 14 tháng trong khi duy trì sức mạnh thống kê.
  • Trung tâm cải tạo ): tiến trình xử lý ngôn ngữ tự nhiên chiết xuất các tiêu chuẩn khả thi từ EHRs để phù hợp với bệnh nhân. Một Trung tâm nghiên cứu [FLT: 2] [FLT:] [FLT:] [FLT:]]] [FLT: 3] tìm thấy rằng những công cụ như thế cải thiện hiệu suất tuyển dụng bởi 40%. [FL:4] [FL:4] TLRach [FT] [FT] Bây giờ khớp với bệnh nhân bị tiểu đường] với 2.000 thử tích cực trên toàn cầu, với tỷ lệ tăng 3 phần tử đăng ký cho các loại tiểu đường hiếm.
  • Mô hình dự đoán xác định các địa điểm lâm sàng với khả năng đăng ký cao và các giao thức tốt, giảm thiểu sự chậm trễ. Một mô hình được đào tạo về dữ liệu lịch sử từ 500 thử nghiệm tiểu đường đạt được 25% trong thời gian hoạt động trang.

Ví dụ, thử nghiệm [FLT-HF [F:1] cho suy tim liên quan đến tiểu đường sử dụng một nền tảng phân tích đám mây để hòa hợp dữ liệu từ 30 nơi, cho phép kiểm tra thời gian thực và thay đổi tùy thích. Thử nghiệm hoàn tất việc đăng ký trước thời gian biểu sáu tháng và cung cấp bằng chứng sớm cho một tổ hợp chất ức chế SGLT2.

Một cách tiếp cận khác đổi mới là sử dụng dữ liệu EHR dài để xây dựng các điểm tương ứng với nhau trong lịch sử. [FLT: 0] thử nghiệm để loại 2 phương pháp điều trị tiểu đường cho thấy rằng cánh tay bên ngoài có thể giảm nhu cầu sử dụng các nhóm vị trí đồng thời đến 40%, trong khi vẫn còn sản xuất các ước tính mạnh mẽ phù hợp với các thiết kế ngẫu nhiên truyền thống.

Chứng cứ thực và giám sát sau dấu chấm

Sau khi một loại thuốc đến thị trường, dữ liệu lớn tiếp tục đóng vai trò quan trọng. Bằng chứng thực tế (REE) từ các tuyên bố bảo hiểm, EHRs, và đăng ký giúp xác định những sự kiện bất lợi hiếm gặp, hiệu quả trong phạm vi rộng hơn [FT], và khám phá ra những dấu hiệu mới (grug repurposing). Chương trình [FTT: 0] của FEDA] [FLT: chương trình bảo hiểm thực tế [FTTT: 1] [FT] [FT] đã chấp nhận sự hỗ trợ mở rộng của một số loại thuốc chống bệnh nhân trong hệ thống y tế [PT].

Một trường hợp điển hình được thu hồi lại cho việc cung cấp dữ liệu cho việc phòng ngừa tiền tiểu đường. Phân tích sau khi phân tích chương trình của tiến trình phòng chống bệnh nhân trước khi xuất hiện. Xác nhận rằng bệnh đã giảm khả năng di căn xuống 2 của những cá nhân có nguy cơ cao. Điều này dẫn đến việc hướng dẫn lâm sàng cho bệnh tiền tiểu đường , một thực hành tiết kiệm hàng tỉ chi phí y tế. Gần đây hơn, phân tích dữ liệu từ [FSR] [FSSSSSSSSSSSSSSSSSSSSSQS đến dạng 2 [FER] để loại 2 người có khả năng cao.K: (T/K] Thông báo bệnh than bệnh than: (ĐĐP) đã được chấp nhận kết quả của bệnh thận mới phát sinh bệnh, và hiện ra.

REE cũng cho phép liên tục dược phẩm. Một nghiên cứu phát hiện tín hiệu Hàn Quốc sử dụng EHRs từ 2 triệu bệnh nhân tiểu đường đã xác định ba lần trước đó không nhận diện tương tác thuốc chống tiểu đường liên quan đến chứng thiếu máu, dẫn đến việc cập nhật gói và hỗ trợ sự hỗ trợ về quyết định.

Những câu chuyện nghiên cứu và thành công

Một số sáng kiến gần đây cho thấy những dữ liệu lớn ảnh hưởng rõ rệt đến việc khám phá bệnh tiểu đường.

Nghiên cứu 1: Ma túy được tái sử dụng qua EHR Mining

Các nhà nghiên cứu tại Đại học Vanderbilt ) phân tích hơn 30 triệu hồ sơ EHR để xác định thuốc đã được chấp nhận cho các điều kiện khác có thể cải thiện khả năng điều khiển glycmic. Thuật toán của họ đánh dấu bộ hai [FLT:] ] [FLT:]] [một loại thuốc chống viêmHIth] với tư cách là ứng viên kích hoạt AMPK và giảm khả năng sản xuất chất hữu cơ. Sau đó, các nghiên cứu trước khi nghiên cứu đã xác định hiệu hóa nó, và phiên bản II trong một giai đoạn giảm thiểu (một chương trình H6 tuần) trong ba tuần). Các giả thuyết này được xác định là: [t trình tiếp cận tổng hợp chất hóa trong vòng bốn tuần].

Nghiên cứu 2: Sự siết cổ bằng dây thần kinh để trị liệu cá nhân

Bệnh nhân bị loại 2 tiểu đường biểu hiện sự tương phản đáng kể trong việc phản ứng với chất sulfylures, một loại thuốc truyền miệng thông. Một phối hợp dẫn bởi Viện Đường [FLT:] [FLTTT:1] thực hiện một loại gen đa sắc thái] đa dạng GWAS siêu nhân và xác định một biến thể trong [FTT2] [FT2] [FLTTT] [FTTTTT] gen [FT], hiện đang được xác định là một sự cố thuốc giảm [FA] có khả năng tăng cường độ phân hủy [FT].

Nghiên cứu 3: Máy học cho các chuyên gia sinh trắc học Beta-Cell

Ngăn chặn bệnh beta - tế bào là một mục tiêu chính cho loại 1 tiểu đường. Một nhóm từ [FLT:] và IBM Watson Health đã đào tạo một mô hình nghiên cứu sâu về các hồ sơ tự động, và dữ liệu CGM [FLTTTTT:] có thể từ 2 chiều ngang [FLTT], nghiên cứu về mô hình kết hợp chất lượng tử [FLTTTTTTT:]. Mô hình kết hợp ba protein tuần hoàn, GAT-UM, và LMMMMMMMMMT, và hiện đang tiến tới giai đoạn cuối [FTKKKKK], một phép thử nghiệm phức tạp hơn 85 năm trước khi tiến hành thử nghiệm, có khả năng giảm hiệu quả từ 3 dấu chấm dứt một chuỗi tử tố.

Những hướng và thách thức trong tương lai

Sự kết hợp của trí tuệ nhân tạo với dữ liệu lớn đang chuẩn bị đẩy nhanh việc khám phá ra thuốc tiểu đường thậm chí còn xa hơn nữa.

Hợp nhất đa ngành và sinh đôi số

Thay vì phân tích gen, protomic, và di truyền trong sự cô lập, các nền tảng mới như [FLT: 0] của Gôn Lâm [Fnomal và [FLT:]] khả năng kết hợp nhiều dữ liệu về sức khỏe điện tử để tạo ra “hai cặp song sinh của bệnh nhân. Những bản sao ảo này có thể được mô phỏng dưới điều kiện thuốc, dự đoán hiệu quả và bất kỳ thử nghiệm độc hại nào từ thử nghiệm: [FLTTTTTTT:] [TTTTT], [T], NW], một số mẫu thuốc giảm [b] trong khi các trường hợp trị liệu đa thức ăn kiêng dùng để duy trì sự lựa chọn thời gian.

Hệ thống AI cho các cuộc thử nghiệm phân tử tiểu đường

Các mạng lưới chống đối Gen (GNT) và mô hình biến đổi đang thiết kế các phân tử tiểu đường và sinh học nhỏ từ đầu. Vào năm 2023, [FLT: 0] Y học [FLT: 0] [FLTT:1] thông báo một ứng viên cơ sở cơ sở cơ sở của chứng tiểu đường tiểu đường, đã được phát hiện hoàn toàn với AI, mà đã bước vào giai đoạn thử nghiệm lâm sàng sau 18 tháng phát triển tiền kim. Các phân tử nhắm vào một con đường liên quan đến PHD ức chế, phân tích dữ liệu protemence từ 10.000 mẫu thận. Tương tự, [TL: 2] [TL: TLRurcency I t: sử dụng các chuỗi 2 triệu các tế bào trong các tế bào phức hợp chất, tôi đang tìm kiếm các tế bào phức hợp để nhận dạng chuỗi.

Một phát triển thú vị khác là việc sử dụng các mô hình ngôn ngữ lớn (LLMs) để khai thác các tài liệu sinh học cho các mối quan hệ thuốc [FLT: 0] BioGPT ) và PBMT [FLT:] PLT:3] đã được chuẩn bị để phân tích các mục tiêu của bệnh tiểu đường từ những mục tiêu trừu tượng, đạt được tỷ lệ chính xác trên 80% và xác định 50 gen mới nhất đã được xác nhận trong các thí nghiệm bị hạ cánh.

Hợp nhất dữ liệu và theo dõi liên tục

Sự gia tăng của CGM và thiết bị theo dõi tập hợp đang tạo ra tập dữ liệu sinh lý học chưa từng thấy. Các nhà nghiên cứu đang tích hợp những dòng này với EHRs để có được những phản ứng thực tế đối với các thuốc bên ngoài thiết lập lâm sàng. Chẳng hạn, một cuộc nghiên cứu từ Viện Nghiên cứu sinh vật lý , được dùng để lưu trữ dữ liệu CGM từ 8,000 cho thấy khả năng biến đổi nồng độ của lượng tử là dự đoán thất bại tốt hơn so với chỉ HB1c. Bây giờ, nó được chấp nhận như là một kết quả của máy hỗ trợ sử dụng trong các thử nghiệm đầu tiên của tuần trước, có khả năng giảm thiểu thiểu thiểu thiểu cơ chế lượng chất hữu hiệu lượng của cơ thể là một lần so với 30% các điểm HC.

Dữ liệu có thể mang cũng cho phép giám sát từ xa cho các sự kiện có hại. [FLT: 0] Nghiên cứu tim trái tim được điều chỉnh cho bệnh tiểu đường: một chương trình giám sát lớn sau thị trường chứng khoán cho một chất ức chế SGLT2 sử dụng thông minh phát hiện té và đồng bộ hoá để phát hiện các sự kiện giảm đường kính trong thời gian thực, với cảnh báo trực tiếp gửi cho các điều tra viên lâm sàng.

Xem xét các vấn đề về đạo đức và quy luật

Việc sử dụng dữ liệu lớn nêu lên những câu hỏi quan trọng về đạo đức. Thành kiến về dữ liệu, sự riêng tư và sự đồng ý thông hiểu về việc sử dụng dữ liệu phụ. Ngoài ra, những nỗ lực như Tất cả các Chương trình Nghiên cứu của chúng ta [FT: dữ liệu điện tử [FT] nhấn mạnh dữ liệu rõ ràng và sự gắn kết cộng đồng để đảm bảo các dữ liệu đa dạng trong phân tích. 20 24% tiểu đường sinh học được tìm thấy chỉ có thể không có khả năng gây ra sự chú ý của người Phi Châu, mà có thể không có khả năng tương ứng với các nhóm nghiên cứu [FT] dưới trung tâm nghiên cứu [FT]: [FT] và liên kết]: khả năng nghiên cứu về các dữ liệu có tính chất lượng [FT].

Vượt qua dữ liệu Silos

Mặc dù tiến bộ, sự kết hợp quy mô lớn của dữ liệu dược phẩm độc quyền với dữ liệu công cộng vẫn còn là thách thức. Những tiến trình như , hỗ trợ y học cho phép loại 2 tiểu đường (AMP T2D) mang lại cùng nhau công nghiệp, học viện, và các cơ quan điều hành để chia sẻ dữ liệu trước khi kết hợp. AMP T2D đã góp phần phát hiện ra 18 mục tiêu thuốc mới, bao gồm PPN và D. Sự hợp tác gần đây đã mở rộng thành một “các tập đoàn hợp chung mà đám mây dựa trên các thông tin có thể truy cập đến từ 100.000 người tham gia, và không bao giờ cho phép các nhà nghiên cứu dữ liệu có sự riêng tư liệu có thể thu thập được mà không có sự phân tích và giải thích về tài sản.

Một phát triển quan trọng khác là sự xuất hiện của các thị trường dữ liệu dựa trên ngăn chặn. HHT ) ) và [Fcean Recity [FLT:]] [FLT: 3] cho phép các bệnh nhân chia sẻ dữ liệu EHR và genomic trực tiếp với các nhà nghiên cứu để bù đắp, bỏ qua các kho chứa chất thải thể chất. Một thí nghiệm có khoảng 5000 bệnh nhân loại tiểu đường chứng minh khả năng tiếp cận này, với 70% người tham gia hoàn thành một chu kỳ 12 tháng và tạo ra hơn 3 tỉ dữ liệu của các công ty dược phẩm.

Kết luận

Dữ liệu lớn không chỉ đơn thuần là sự cải thiện tăng cường trong khám phá thuốc phiện - đó là một sự thay đổi mô hình. bằng cách cho phép xác định mục tiêu dựa trên bằng chứng di truyền mạnh mẽ, dự đoán phản ứng đặc trưng của bệnh nhân, tối ưu hóa thiết kế thử nghiệm, và áp dụng dữ liệu thực tế, các nhà nghiên cứu có thể giảm thời gian, chi phí, và tỷ lệ hấp thụ của các đường ống truyền truyền truyền. những câu chuyện về việc tái phát hiện thuốc, giả lập địa lý, và mô phỏng sinh số cho thấy rằng dữ liệu đang truyền tải dữ liệu thực tế. khi công nghệ mở rộng các dữ liệu cộng và các dữ liệu cộng hưởng từ các dữ liệu lớn và chính xác hơn, và hiệu quả hơn, cuối cùng sẽ cải thiện hàng trăm triệu, các liệu tiểu đường, và cuối cùng sẽ được cải thiện, và cuối cùng, chúng ta chỉ có thể thấy các dữ liệu mới có thể tìm thấy sự hiểu về thị trường mới được.