Опыты с червями-нематодами показали, что витамин D активирует гены, связанные с защитой от старения, и защищает клетки от развития нарушений в работе белков и их неправильного свертывания, что продлило червям жизнь на 30%, говорится в статье, опубликованной в журнале Cell Reports.

"Витамин D3, превращающийся в организме в активную форму витамина D, подавил процессы неправильного свертывания белков в клетках червей и защитил их от токсического действия бета-амилоида, белка человека, связанного с болезнью Альцгеймера. Учитывая то, что процессы  старения протекают в организмах червей и человека примерно одинаково, имеет смысл проверить, сработает ли витамин таким же образом и среди нас", — рассказывает Гордон Литгоу (Gordon Lithgow) из Института старения Бака в Новато (США).

Рыбий жир и витамин D, как показывают исследования последних лет, обладает множеством полезных свойств, помимо укрепления костей и зубов, о которых ученые ранее не подозревали. К примеру, за последние три года они выяснили, что витамин D понижает вероятность смерти от инфаркта, замедляет развитие рассеянного склероза и защищает мозг алкоголиков от дальнейших повреждений.

Интернет стал повседневной реальностью. В сети мы черпаем информацию, работаем, развлекаемся, учимся. Мы рассказываем о себе, оставляя ежедневный след, как и тысячи других людей. Мы тонем в потоке информации.

Постоянное желание быть в курсе новостей, открытий, событий уже не оставляет нас ни на минуту. Мы перерабатываем огромные потоки информации и рискуем утонуть в ней.

Но многие уже слышали выражение Big Data – большие данные. И, пожалуй, это наш спасительный круг в современном информационном мире.

Итак, что же такое BigData?

BigData это не только большие объёмы информации, но и технологии её хранения, и аналитические методы обработки.

Огромные объемы информации требуют обработки и анализа. Конечно, мы можем выбрать некоторый объем информации, обработать его, а полученный результат посчитать отражением закономерности всего объема информации рассчитав прогноз, вероятность и достоверность такого совпадения

Но на дворе XXI век, информация в библиотеках, больницах, разных НИИ, лабораториях уже оцифрован. Следует ли этим пренебрегать?

К тому же, вышеописанный подход не исключает погрешностей, которые иногда могут превратить математический прогноз в гадание.

Поэтому теперь случайная выборка различных переменных очень быстро стремится к полному набору их значений, которые зачастую нужно очень быстро обрабатывать.

И, если мы коснемся одной из самых важных тем нашей жизни – здоровья, то в случае медицинской обработки больших данных это в прямом смысле слова «вопрос жизни и смерти».

Результаты обработки «больших данных» должны быть получены максимально быстро. Это даст возможность превратить аналитику из инструмента, отвечающего на вопрос «кто виноват?», характерного для традиционных систем аналитики, в инструмент для получения ответов «что делать?». Специалист в этом случае из врача патологоанатома превращается в терапевта. Скорость доступа к данным и скорость их обработки является важным критерием качества технологий, входящих в Big Data.

Ранее оперативно учесть множество показателей работы медицинских учреждений было технически невозможно, поэтому на банковский счет госпиталей поступали средства, пропорциональные общему числу койко-дней и количеству выполненных манипуляций. Из-за этого сформировалась порочная система, в которой выгодно было проводить «лишнюю» диагностику, назначать ненужные консультации и затягивать лечение.

Если обратить внимание на сегодняшнюю реформу здравоохранения США, мы видим возможности более тонкой работы с Big Data. Ее авторы придерживаются концепции «подотчетной помощи», в рамках которой будет оцениваться, прежде всего, эффективность проведенного лечения.

Таким образом, благодаря технологиям обработки и анализа больших данных платить будут не столько за процесс лечения, сколько за способность быстро излечивать и поддерживать здоровье пациентов.

Другим важным направлением стало прогнозирование расходов. Оно базируется на многофакторном анализе таких статистических данных, как число повторных обращений, процент жалоб на конкретных врачей и подразделения, распространенность различных патологий, количество пациентов с хроническими заболеваниями, а также на эпидемиологических показателях.

Сотрудники Национальной службы здравоохранения Великобритании (NHS) используют анализ Big Data по частоте повторных госпитализаций и пропущенных приемов у врача, общему времени нахождения пациента в операционной, обеспеченности медицинскими препаратами и материалами во время операции и их доступности. А также по общему количеству времени, которое хирург затрачивает на выполнение операций в сравнении с административными или подготовительными мероприятиями. Определение несоответствий в этих показателях позволило NHS повысить загруженность операционных на 2%, что обеспечило экономию в размере 20 тыс. фунтов в неделю. В результате пациентам не только быстрее стали проводить операции по жизненным показаниям, но и быстрее выписывают их из стационара, освобождая место для других нуждающихся.

Таким образом, использование анализа «больших данных» позволяет зарубежным поставщикам медицинских услуг сократить длительность пребывания пациентов в стационаре, сдержать рост затрат и снизить число повторных госпитализаций.

Медицинские аналитические задачи, которые можно решать с применением анализа «больших данных», могут быть различных типов в зависимости от уровня зрелости (по возрастанию):

1. описательная аналитика (отвечающая на вопрос «Что случилось?»);
2. диагностическая аналитика («Почему это произошло?»);
3. предиктивная аналитика («Что случится в будущем?»);
4. предписывающая аналитика («Что необходимо сделать, чтобы этого не произошло?»).

С ростом сложности задач увеличивается и сложность аналитической системы и алгоритмов, а также количество необходимых источников данных — от простых сведений из историй болезни и данных биометрического мониторинга до геномных и семейных данных и даже до информации из социальных сетей.

В здравоохранение приходят современные технологии, которые поддерживают все стандартные методы работы с данными. Это проектирование и наполнение многомерных OLAP-кубов, возможность синхронизации хранилищ OLTP и OLAP в режиме реального времени, быстрая разработка аналитических панелей с использованием библиотеки визуальных компонентов, возможность анализа неструктурированных текстовых данных и проведение прогнозной аналитики.
Анализ, сделанный в докладе компании McKinsey, показывает как «большие данные» могут не только создать дополнительный источник компенсации затрат, но и повысить качество медицинского обслуживания. В основе Big Data может быть объединена информация, хранящаяся в четырех главных источниках данных, которые сегодня не взаимосвязаны. Это:

• данные, полученные в ходе исследований и испытаний;
• данные из клиник по историям болезни и диагностике;
• данные о поведении пациентов, их покупки, отзывы, данные от домашних медицинских приборов и даже от одежды и обуви, таких как кроссовки с сенсорами;
• данные от медицинских учреждений об оказании услуг, аптек об отпуске препаратов, сведения о ценах на рынке здравоохранения.

На основе анализа всех этих данных предполагается развивать следующие направления использования Big Data:

1. Операционная деятельность медицинских учреждений. Появляется возможность исследования эффективности лечения благодаря обработке всей доступной информации о практике лечения. На основе анализа всех известных историй болезни и диагностики в практику врачей войдет широкое использование систем поддержки принятия решений, позволяющих предоставить клиницисту невиданный ранее доступ к опыту тысяч коллег по всей стране. Методы персональной и профилактической медицины, основанные на удаленном мониторинге пациентов приведут к существенному сокращению затрат и повышению качества жизни. Распространение различных сенсоров активностей человеческого организма, подключаемых к носимым гаджетам, позволяет сократить необходимость проведения лабораторных исследований, предотвратит неожиданные осложнения, а автоматическое напоминание о необходимости проведения самостоятельных лечебно-профилактических манипуляций повысит качество назначенного лечения;

2. Система ценообразования и оплаты. Анализ счетов и поступлений с помощью автоматических процедур, основанных на машинном обучении и нейронных сетях, позволит сократить число ошибок и хищений при оплате. Формирование ценовых планов, учитывающих реальные возможности населения и потребность в услугах, также увеличивает общие поступления от пациентов. Только системы, работающие с «большими данными», позволяют перейти к оплате, основанной на качестве оказываемой помощи и совместно регулировать расходы на медикаменты и труд медперсонала;

3. Исследования и разработки. Наибольший эффект здесь следует ожидать от новых возможностей предиктивного моделирования при разработке лекарственных препаратов. Не меньшее влияние статистические алгоритмы и инструменты больших данных производят на планирование клинических исследований и привлечение пациентов к таким испытаниям. Обработка результатов таких испытаний еще одно важное приложение «больших данных». Особое место в исследованиях и разработках в здравоохранении сейчас занимают инновации в персонализированной медицине. Основываясь на обработке гигантских объемов генетической информации, которые становятся всё более доступными для человека, врачи смогут назначать абсолютно уникальные лекарственные средства и методы лечения. Наконец, разработки по выделению паттернов заболеваний позволят получить хорошие прогностические оценки развития различных видов болезней, выделить профили рисков и не только провести профилактические мероприятия, но и спрогнозировать необходимость разработок методов лечения, эффективных для будущих видов заболеваний;

4. Новые бизнес-модели. Основанные на цифровых данных в здравоохранении эти модели могут дополнять существующие или даже конкурировать с некоторыми из них. Это агрегаторы данных, которые поставляют проанализированные и скомпонованные блоки данных, удовлетворяющих заданным условиям, третьим лицам. Например, все истории болезней пациентов, применявших тот или иной фармакологический препарат, важны для фармпредприятий и они готовы покупать такие данные. Другим потенциалом новых бизнес-моделей являются он-лайн платформы для пациентов и врачей, медицинских исследователей и фармакологов;

5. Массовый скрининг и предупреждение и выявление эпидемий. Это направление опирается на Big Data, развитие технологий позволяет строить как географические и социальные модели здоровья населения, так и предиктивные модели развития эпидемических вспышек.

Несмотря на то, что степень проникновения Big Data в российском здравоохранении ниже, чем в США и Европе, проблемы отношения к этим технологиям схожие. Хотя медицина (отечественная в частности) является одной из отраслей, в которых технологи управления «большими данными» дают наиболее яркий эффект, многие все еще относятся к ним пока со скепсисом, возможно, ввиду не всегда понятной бизнес-выгоды и нехватки специалистов.

Потренируемся на чипах

Общий вид «Гомункулуса»: микрочип умещается в ладони

Новые лекарственные препараты можно тестировать на подопытных животных, можно на добровольцах из числа людей, но гораздо более удобно — и гуманно — использовать для этого клеточные модели. Однако и с ними не все просто: можно взять клетки определенного человеческого органа, а можно собрать клетки нескольких органов в единую систему, аналогичную живому организму, — с такой системой результат испытаний будет наиболее точным. Для его достижения и был разработан микробиореактор «Гомункулус», созданный совместно немецкими и российскими учеными. Мы обратились к декану факультета химической технологии и биотехнологии Московского политехнического университета Наталье Пульковой, чтобы узнать подробности о работе этого аппарата.

Прежде чем польза и безопасность нового лекарства будут доказаны, препарат проходит долгую череду тестов, и несколько фаз клинических испытаний на добровольцах — это только последние акты процесса, который обычно занимает не один год. Прежде чем начнутся проверки на людях, в дело идут подопытные животные: ежегодно в лабораториях используют более 115 миллионов мышей, крыс и представителей других видов. При этом животные выступают лишь приближенными моделями человеческого организма, позволяя изучать течение болезни или действие нового препарата без учета видоспецифичности.

Мы устроены очень похоже, но иногда воздействие на людей вещества, казалось бы, хорошо изученного на животных, оказывается совершенно неожиданным. Экспериментальный иммуномодулятор TGN1412, считавшийся перспективным средством от ревматоидного артрита и других заболеваний иммунной системы, хорошо продемонстрировал себя на мышах, но уже при первых испытаниях на людях вызвал у них острую аутоиммунную реакцию и привел к гибели нескольких добровольцев. Сегодня, когда в лаборатории можно выращивать изолированные культуры человеческих клеток, одним из этапов тестирования новых веществ стали доклинические испытания «в пробирке», in vitro. Оценить действие препарата на клетки сердечной мышцы или опасность загрязнений воздуха для легких, проверить реакцию нейронов на изменение температуры или гормонального профиля — все это возможно и без животных, и без людей.

Мы устроены очень похоже, но иногда воздействие на людей вещества, казалось бы, хорошо изученного на животных, оказывается совершенно неожиданным. Экспериментальный иммуномодулятор TGN1412, считавшийся перспективным средством от ревматоидного артрита и других заболеваний иммунной системы, хорошо продемонстрировал себя на мышах, но уже при первых испытаниях на людях вызвал у них острую аутоиммунную реакцию и привел к гибели нескольких добровольцев. Сегодня, когда в лаборатории можно выращивать изолированные культуры человеческих клеток, одним из этапов тестирования новых веществ стали доклинические испытания «в пробирке», in vitro. Оценить действие препарата на клетки сердечной мышцы или опасность загрязнений воздуха для легких, проверить реакцию нейронов на изменение температуры или гормонального профиля — все это возможно и без животных, и без людей.

В культуральные среды, в которых выращиваются линии человеческих клеток, добавляют специальный краситель, по оттенку которого можно контролировать pH среды

Главным результатом партнерства биологов из Германии и российских инженеров стал микробиореактор «Гомункулус», позволяющий моделировать работу системы из шести, а в перспективе — и десяти разных клеточных моделей тканей и органов. Это система из двух одинаково важных компонентов, блока управления и «биочипа», в котором культивируются клетки. «Биочип — не больше спичечного коробка, — продолжает Наталья Пулькова, — и, как сэндвич, сложен из нескольких слоев: на предметном стекле находится слой из силикона, в котором расположены микроканалы и ячейки для культивирования клеток. Наконец, верхний слой — это панель из оргстекла, придающая жесткость системе».

Ячейки связаны системой микроканалов, как кровеносными сосудами, течение жидкости в них контролируется ювелирной работой насосов и клапанов. Ячеек  может быть разное число, от двух до шести, в зависимости от конкретной задачи и, соответственно, разных клеток, которые требуется использовать. Такой микробиореактор позволяет собирать клеточного «гомункулуса» из отдельных компонентов, как из деталей конструктора, имитируя взаимодействия не только разных органов, но и разные способы введения препарата.

«Если, например, вещество вводится перорально, то оно всасывается в кровь через стенки кишечника, после чего метаболизируется в печени, а затем разносится по организму и воздействует на орган-мишень, — объясняет Пулькова. — Мы учимся моделировать работу всей этой системы, причем в «Гомункулусе», в отличие от аналогичных разработок, можно контролировать давление и частоту смены поступающей в биочип жидкости, имитируя циркуляцию кровотока».

Последние поколения «Гомункулуса» могут оснащаться различными датчиками, индивидуальными для разных ячеек, системой можно управлять через удобный удаленный интерфейс, а обо всех важных событиях исследователь может получать даже сообщения по SMS. Параллельно этому немецкие биологи под руководством Уве Маркса (Uwe Marx) развивают методы культивирования «на чипе» клеток разных тканей — кишечника, печени, кожи, сердца, мозга, почек и легких. «Например, клетки кишечника культивируют на специальной пористой мембране, что приводит к их поляризации подобно in vivo, — говорит Пулькова. — Конечно, биочип — это далеко не целый организм, но уже достаточно близок к нему».

Такие установки работают и в Германии, и в Новосибирском научном центре клинической и экспериментальной медицины СО РАМН, и в МГУ, где на них ведут фундаментальные исследования. «Гомункулус» сейчас установлен и у нас в Московском Политехе, — продолжает Пулькова. — Мы получили совместный грант с «БиоКлиникумом», на системе проходят обучение наши студенты по магистерской программе «Инжиниринг биофармацевтических препаратов». Тут есть над чем поработать, и работа продолжается. Например, над тем, чтобы обеспечить совместное культивирование разных типов клеток в многолуночном чипе в течение длительного времени. Дорабатывается и конструкция биочипа, инженеры добиваются большей автоматизации системы, работают над десятилуночными чипами».

Вряд ли в будущем понадобится более сложная платформа: по словам Натальи Пульковой, собирать «целого» «человека-на-чипе» нет никакой необходимости. Достаточно более или менее полно имитировать работу отдельных систем организма, которые важны для конкретных задач медицины, фармакологии, биологии и экологии. И если борцы за права животных всерьез меняют планы исследований на мышах и приматах, то судьба микроскопических «гомункулусов» на биочипах вряд ли кого-то обеспокоит. В конце концов, это всего лишь модель.

20.10.2016 Источник: nplus1.ru