
Kişiselleştirilmiş, hassas, P4, veya katmanlı tıp, hastaların özel tanı testleri kullanılarak hastalık alt tiplerine, risklerine, prognozlarına veya tedavi yanıtlarına göre sınıflandırıldığı tıbbi bir yaklaşım olarak anlaşılmaktadır. Birçok yayında, yukarıda belirtilen terimler birbirinin yerine kullanılır, ancak bazı araştırmacılar aralarında belirli nüansları vurgulamak için daha fazla ayrım yaparlar. Ana fikir, tıbbi kararları, tüm popülasyondaki ortalamalara değil, bireysel hasta özelliklerine (biyobelirteçler dahil) dayandırmaktır. ABD Gıda ve İlaç İdaresi ile mutabık kalınarak, hastaları sınıflandırmak için temel olarak kullanılabilecek ölçülebilir miktar veya puan için biyobelirteç terimi kullanıldı (örn., Genomik değişiklikler, moleküler belirteçler, hastalık şiddet skorları, yaşam tarzı özellikleri, vb.). Temel fikir, tıbbi kararları, nüfus ortalamalarına göre değil, moleküler ve davranışsal biyobelirteçler de dahil olmak üzere bireysel hasta özelliklerine dayandırmaktır. Bu yazıda, kişiselleştirilmiş tıp için son teknoloji veri bilimi yaklaşımlarının potansiyeli gözden geçirildi, açık zorlukları tartışıldı ve gelecekte bunların üstesinden gelmeye yardımcı olabilecek yöntemler vurgulandı.
Kişiselleştirilmiş Tıp ve Makine Öğrenmesi
Kişiselleştirilmiş tıp, özellikle makine öğrenmesi (genellikle ana akım medyada Yapay Zeka olarak adlandırılır) ile veri bilimine derinden bağlıdır. Son yıllarda ‘büyük veri’ ve makine öğrenmesine dayalı çözümlerin potansiyeli konusunda büyük bir coşku olsa da, mevcut klinik uygulamayı etkileyen sadece birkaç örnek bulunmaktadır. Klinik uygulama üzerindeki etkisinin azlığı, büyük ölçüde öngörücü modellerin yetersiz performansına, karmaşık model tahminlerini yorumlamada zorlanmasına ve bakım standardına kıyasla açık bir fayda gösteren prospektif klinik araştırmalar yoluyla validasyon eksikliğine bağlanabilir. Veri bilimciler, doktorlar, hasta savunucular, düzenleyici kurumlar ve sağlık sigortası kuruluşları dahil olmak üzere disiplinler arası bir çabaya ihtiyaç olduğu belirlendi. Kısmen gerçekçi olmayan beklentiler ve veri bilimi tabanlı çözümlerle ilgili endişelerin daha iyi yönetilmesinin gerektiği görüldü. Bu duruma paralel olarak, bilgisayarla hesaplama yöntemleri klinik uygulamaya doğrudan fayda sağlamak için daha fazla ilerlemelidir.
Fröhlich H, Balling R, Beerenwinkel N, et al. From hype to reality: data science enabling personalized medicine. BMC Med. 2018;16(1):150. Published 2018 Aug 27. doi:10.1186/s12916-018-1122-7
+ Tüm Referansları Göster