نوشته شانیا کندی
– بر اساس مطالعه ای که در ژانویه منتشر شد، یک تیم تحقیقاتی از دانشگاه تگزاس در آرلینگتون (UTA) الگوریتمی را برای ارائه گزینه های درمانی شخصی بهینه برای بیماران مبتلا به سرطان مری ایجاد کرده است. مجله زیست شناسی ریاضی.
تشخیص و درمان موثر سرطان مری می تواند چالش برانگیز باشد، زیرا علائم اولیه بیماری – مانند سوزش سر دل و سوء هاضمه – شایع هستند و هیچ آزمایش غربالگری استانداردی برای آن وجود ندارد. در نتیجه، سرطان مری اغلب تا زمانی که در مراحل بعدی خود قرار نگیرد، شناسایی نمی شود.
در این مرحله، گزینه‌های درمانی مؤثر کمتری در دسترس بیماران وجود دارد و این کمبود گزینه‌ها به نرخ بقای 5 ساله 21.7 درصدی این بیماری کمک می‌کند. عوامل خطر سرطان مری نیز متفاوت است، اما شامل مصرف الکل و تنباکو، رفلاکس معده و سن بالاتر می شود.
این تغییرات درمان بیماران را دشوار می کند.
دکتر سوویک روی، استادیار ریاضیات دانشگاه UTA که این تحقیق را رهبری می کند، می گوید: سرطان مری یک بیماری متفاوت غیرمعمول با ناهمگنی ها و منشاء سرطانی بسیاری است که نشان داده شده است که عوامل اصلی مقاومت دارویی در بیماران است. یک انتشار خبری “به همین دلیل است که استراتژی های درمانی به موقع و موثر برای مبارزه با آن کلیدی است.”
برای بهبود نتایج بیمار، تیم تحقیقاتی یک چارچوب مدل‌سازی طراحی کرد که برای توضیح ناهمگونی‌های سرطان مری به منظور کمک به درک پیشرفت بیماری و راهنمایی درمان طراحی شده است.
روی اظهار داشت: «یک نرم افزار نرم افزاری را تصور کنید که در آن می توانید داده های سرطان مری را به همراه اطلاعات دارویی موجود و تداخلات احتمالی بیمار وارد کنید، سپس یک دوره درمانی بهینه توصیه شده را دریافت کنید. “این کار کار پزشک را بسیار آسان تر می کند و امیدواریم میزان بقای این بیماری مخوف را بهبود بخشد.”
چارچوب UTA از سه مرحله تشکیل شده است: استفاده از یک مدل فارماکوکینتیک مبتنی بر ریاضیات برای تعیین دوز دارویی ایده آل برای هر بیمار. انجام تجزیه و تحلیل حساسیت برای شناسایی عواملی که پیشرفت سرطان را تسهیل می کنند. و استفاده از “مدل کنترل بهینه” برای انتخاب ترکیبات دارویی و پروفایل های دوز.
چارچوب با استفاده از داده‌های مصنوعی آزمایش شد و مدل با موفقیت استراتژی‌های درمان بهینه را با دقت بالا توصیه کرد.
روی گفت: «این کار یک چارچوب ریاضی جدیدی را ارائه می‌کند که روش جدیدی را برای مدل‌سازی ناهمگونی‌های سرطان با استفاده از قوانین تعامل مختلف و ارزیابی استراتژی‌های درمان ترکیبی نشان می‌دهد، که همگی دسته‌ای از مسیرهای سیگنالینگ را هدف قرار می‌دهند که در بیماران سرطان مری بیش از حد بیان می‌شوند.» ما امیدواریم که این ابزار جدیدی را به پزشکان آرمنتاریوم اضافه کند که می توانند برای مبارزه با این بیماری از آن استفاده کنند.
سایر تیم های تحقیقاتی در UTA نیز از مدل های محاسباتی پیشرفته برای ردیابی پیشرفت بیماری و بهبود درمان استفاده می کنند.
هفته گذشته، محققان به اشتراک گذاشتند که ابزاری برای پیش‌بینی چگونگی پیشرفت بیماری آلزایمر در افراد در طول زمان ایجاد کرده‌اند.
ردیابی پیشرفت آلزایمر برای کمک به بیماران و مراقبان آنها برای آماده شدن برای نیازهای حمایتی فزاینده ای که با این بیماری در طول زمان همراه است، کلیدی است. برای کمک به پیش‌بینی این نیازهای مراقبتی، تیم تحقیقاتی مدلی را ساخت تا مشخص کند که بیمار در کدام قسمت از طیف توسعه بیماری آلزایمر قرار دارد.
این مدل می‌تواند وضعیت بالینی و مسیر بیماری بیمار را با کدگذاری آنها در پنج مرحله توسعه بیماری – شناخت طبیعی، نگرانی قابل توجه حافظه (SMC)، اختلال شناختی خفیف اولیه (EMCI)، اختلال شناختی خفیف دیررس (LMCI) و آلزایمر با موفقیت نشان دهد. بیماری.