Problemstellung:
Periphere Neuropathie ist eine Krankheit, die durch chronisch hohen Blutzucker und Diabetes verursacht wird. Sie führt zu Schwäche, Taubheit und Schmerzen in Händen, Füßen und anderen Körperteilen. Etwa 60% aller Menschen mit Diabetes erkranken daran. Um nachhaltige Behandlungsentscheidungen zu treffen und personalisierte Gesundheitsstrategien bereitzustellen, verwenden Wissenschaftler, Ärzte und Versicherungsunternehmen Vorhersagemodelle für computergestützte klinische Studien. Mit diesen Prognosemodellierungswerkzeugen können sie vorhersagen, wie ein bestimmter Patient auf ein Medikament reagieren könnte. Anschließend lassen sich anhand dieser Informationen personalisierte Verschreibungen vornehmen.
Pfizer, eines der weltweit größten Pharmaunternehmen, beauftragte Fair Dynamics in Zusammenarbeit mit der Health Services Consulting Corporation mit der Entwicklung einer Plattform, die den Forschern des Unternehmens dabei helfen sollte, ein neues Medikament für Patienten mit schmerzhafter diabetischer peripherer Neuropathie zu testen. Die Plattform sollte auf früheren klinischen Studien basieren und als Entscheidungshilfe dienen, mit der die persönlichen Parameter eines Patienten bewertet, die zu verschreibende Medikamentendosis bestimmt und mögliche Ergebnisse vorhergesagt werden können. Die Plattform sollte außerdem flexibel sein und eine benutzerfreundliche Oberfläche aufweisen, damit unerfahrene Benutzer damit arbeiten können. Um diese Plattform für die prädiktive Modellierung und Analyse im Gesundheitswesen zu entwickeln, verwendeten die Ingenieure die AnyLogic Simulationssoftware.
Lösung:
Um eine prädiktive Analyseplattform zu erstellen, mussten die Ingenieure Rohdaten aus verschiedenen Quellen verarbeiten und kategorisieren. Zu diesem Zweck wurden SAS-Datendateien und einen Algorithmus für maschinelles Lernen in ein AnyLogic Modell integriert. Der Algorithmus gruppierte die Daten mit Patientenprofilen in sechs Cluster mit Clustervariablen wie Geschlecht, Alter, Krankheitsdauer und anderen. Diese Parameter waren für den Abschluss der Patientenbehandlungsprogramme von wesentlicher Bedeutung.
Um Patienten in das Vorhersagemodell einzubeziehen, verwendeten die Ingenieure einen agentenbasierten Modellierungsansatz, der üblicherweise für Simulationen im Gesundheitswesen verwendet wird. Damit konnten Benutzer Patienten mit vordefinierten Parametern einrichten, die denen in den Clustern ähnelten. Die Patienten fielen dann in Abhängigkeit von diesen Parametern in eines der identifizierten Cluster.
Nach der Kategorisierung wurde der Behandlungsprozess jedes Patienten im Modell mit mehreren Behandlungsszenarien simuliert. Er basierte auf den Daten der zuvor gruppierten Patientenprofile. Um das Modell zu validieren, wurde die 4-6-wöchige Behandlung für jeden Patienten simuliert.
Ärzten wurden schließlich das optimale Behandlungsszenario und die optimale Dosierung für einen Patienten angezeigt. Für jeden Patienten oder jedes Cluster konnten Benutzer dynamisch erzeugte Berichte exportieren.
Durch die AnyLogic Funktionen für eine parallele Berechnung konnte auch die Simulation von Szenarien mit mehreren Patienten mit Hilfe des Parametervariationsexperiments angeboten werden.
Da das Modell von unerfahrenen Personen verwendet werden sollte, verwendeten die Ingenieure Java-Technologien, die von AnyLogic unterstützt wurden, um die komfortable Benutzeroberfläche zu vervollständigen.
Ergebnis:
In diesem Projekt fungierte AnyLogic als Softwarewerkzeug für die Integration verschiedener Datensätze, maschineller Lernalgorithmen und Simulationsfunktionen. Insgesamt ermöglichte es die Verarbeitung verschiedener historischer Daten und deren Gruppierung in eindeutige Cluster. Mit der prädiktiven Modellierung mit Hilfe einer agentenbasierten Simulation mit AnyLogic gelang es den Ingenieuren, ein einfach zu konfigurierendes Modell für die prädiktive Gesundheitsvorsorge zu erstellen und personalisierte Behandlungsprozesse mit hoher Genauigkeit zu simulieren. Das Modell half Ärzten, fundierte Entscheidungen über die Medikamentendosierung für jeden Patienten zu treffen und zu sehen, wie er oder sie auf die Behandlung reagieren würde. Mit Java-basierten Designelementen wurde die Benutzeroberfläche des Modells intuitiver und für neue Benutzer leicht verständlich.
Prädiktive Modellierung in einem Gesundheitsprojekt, Präsentation durch Luigi Manca, Fair Dynamics
