Проблема
Периферическая нейропатия — расстройство нервной системы, вызванное высоким уровнем сахара в крови и диабетом. Среди её симптомов — мышечная слабость, нарушение чувствительности и боли в конечностях. 60% людей, болеющих сахарным диабетом, страдают от этого расстройства.
Чтобы принимать обоснованные решения относительно терапии таких пациентов, учёные, врачи и страховые компании используют виртуальные клинические исследования. Они основаны на компьютерном моделировании и помогают врачам предсказывать результаты лечения конкретного пациента, чтобы составлять индивидуальные планы терапии.
Pfizer, одна из ведущих фармацевтических компаний, заказала исследование у Fair Dynamics и Health Services Consulting Corporation. Его целью было создать платформу, которая помогла бы сотрудникам компании Pfizer тестировать новое лекарство для пациентов со сложной формой диабетической периферической нейропатии. Платформа должна была играть роль СППР и работать с помощью методов прогнозной аналитики: на основе анализа результатов предыдущих клинических исследований оценивать параметры пациентов, назначать дозировку лекарств, курс лечения и прогнозировать его результат. К тому же, платформа должна была быть гибкой и иметь дружественный интерфейс. Для решения этих задач разработчики использовали имитационное моделирование AnyLogic.
Решение
Для создания платформы инженерам нужно было обработать и классифицировать данные из разных источников с историями болезни пациентов и назначаемым лечением. Для этого они использовали на данных из SAS алгоритм машинного обучения, который разделил истории болезни на 6 групп по полу, возрасту, длительности заболевания и другим параметрам, которые были важны для назначения курса терапии. Данные были загружены в модель AnyLogic.
Чтобы сымитировать лечение пациентов, их отразили в модели в виде агентов с характерными для групп параметрами. Как только агент попадал в модель, он приписывался к одной из 6 групп.
Далее для каждого пациента были смоделированы несколько курсов лечения. Они были рассчитаны на 4-6 недель и основывались на историях болезни, обработанных алгоритмом. В конце врачам предоставлялся оптимальный курс лечения для каждого пациента, дозировка лекарства и динамический отчёт по состоянию здоровья пациента в течение курса. Такой же отчёт мог быть создан для каждой из категорий пациентов.
Благодаря возможностям AnyLogic проводить параллельные вычисления модель могла приписывать к группе одновременно несколько пациентов.
Пользователи смоделированной системы могли быть незнакомы с AnyLogic, поэтому разработчики создали удобный и доступный интерфейс для управления моделью.
Результат
В этом проекте AnyLogic помог объединить в модели наборы данных из разных источников, алгоритмы машинного обучения и возможности имитационного моделирования. Благодаря этому удалось проанализировать информацию и сгруппировать её по определённым параметрам.
С помощью агентного подхода разработчики создали легко настраиваемую прогнозную модель, которая имитировала процесс лечения с высокой точностью. Модель помогла врачам принимать взвешенные решения по дозировке лекарств пациентам и наблюдать за тем, как они реагируют на терапию. Разработчики также использовали графические компоненты библиотеки Java Swing для создания дружественного интерфейса.
Чтобы узнать о проекте больше, скачайте презентацию или посмотрите выступление Луиджи Манка из Fair Dynamics:
