Problème:
La neuropathie périphérique est une pathologie causée par une glycémie chroniquement élevée et le diabète. Il conduit à la faiblesse, l'engourdissement, et la douleur dans les mains, les pieds et d'autres parties du corps. Environ 60% de toutes les personnes atteintes de diabète finissent par développer cette maladie. Pour prendre des décisions de traitement durable et fournir des stratégies de soins personnalisées, les scientifiques, les médecins et les compagnies d'assurance utilisent des outils de modélisation prédictive pour les essais cliniques « en silico ». Grâce à ces outils de modélisation prédictive, ils peuvent prévoir comment un certain patient pourrait réagir à un médicament et utiliser cette information pour faire des ordonnances personnalisées.
Pfizer, l'une des plus grandes sociétés pharmaceutiques au monde, a demandé à Fair Dynamics, en collaboration avec Health Services Consulting Corporation, de développer une plate-forme qui aiderait les chercheurs de l'entreprise à tester un nouveau médicament pour les patients diabétiques avec une neuropathie périphérique douloureuse. La plate-forme serait basée sur des études cliniques antérieures et agirait comme un outil d'aide à la décision, qui pourrait évaluer les paramètres personnels d'un patient, prescrire la posologie des médicaments et prédire les résultats possibles. La plate-forme devait également être flexible et disposer d'une interface conviviale pour permettre aux utilisateurs inexpérimentés de travailler avec elle. Pour développer cette plate-forme de modélisation prédictive et d'analyse dans le domaine de la santé, les ingénieurs ont utilisé le logiciel de simulation AnyLogic.
Solution:
Pour créer une plate-forme d'analyse prédictive, les ingénieurs devaient traiter les données brutes provenant de différentes sources et les classer. À cette fin, ils ont intégré des fichiers de données SAS et un algorithme d'apprentissage automatique dans un modèle AnyLogic. L'algorithme a regroupé les données avec des profils de patients en six groupes avec des variables de clustering, telles que le sexe, l'âge, la durée de la maladie, et d'autres. Ces paramètres étaient essentiels lors de préscription des programmes de traitement des patients.
Pour inclure les patients dans le modèle prédictif, les ingénieurs ont utilisé une approche de modélisation basée sur le comportement des agents AnyLogic, qui est couramment utilisée pour la simulation dans le domaine de la santé. Il a permis aux utilisateurs d’identifier des patients avec des paramètres prédéfinis similaires à ceux des clusters. Les patients tomberaient alors dans l'un des clusters identifiés en fonction de ces paramètres.
Après catégorisation, le processus de traitement de chaque patient a été simulé dans le modèle avec plusieurs scénarios de traitement. Il était basé sur les données des profils de patients précédemment regroupés. Pour valider le modèle, le traitement de 4-6 semaines pour chaque patient a été simulé.
Les médecins ont finalement obtenu le scénario optimal de traitement et le dosage pour un patient. Pour chaque patient ou cluster, les utilisateurs peuvent exporter des rapports créés dynamiquement.
Les capacités AnyLogic pour le calcul parallèle offraient également une simulation de scénarios avec plusieurs patients utilisant l'expérience de variation des paramètres.
Comme le modèle était censé d’être utilisé par des personnes inexpérimentées, les ingénieurs ont utilisé les technologies Java, pris en charge par AnyLogic, pour compléter l'interface pratique.
Résultat:
Dans ce projet, AnyLogic a agi comme un outil logiciel pour l'intégration de diverses series de données, algorithme d'apprentissage automatique, et les capacités de simulation. Au total, ils ont permis le traitement de diverses données historiques et leur regroupement en clusters uniques. Grâce à la modélisation prédictive utilisant la simulation basée sur le comportement des agents AnyLogic, les ingénieurs ont réussi à compléter un modèle de soins prédictifs facilement configurable et à simuler des processus de traitement personnalisés avec une grande précision. Le modèle a aidé les médecins à prendre des décisions éclairées sur la posologie des médicaments pour chaque patient et à voir comment il ou elle réagirait au traitement. Avec les éléments de conception basés sur Java, l'interface du modèle est devenue plus intuitive et pourrait être facilement comprise par les nouveaux utilisateurs.
Modélisation prédictive dans la présentation de projets de soins de santé par Luigi Manca, Fair Dynamics
