AMPEL BioSolutions-ն այսօր հայտարարում է ճշգրիտ և անհատականացված բժշկության ոլորտում առաջընթացի մասին, որը կարող է հեղափոխություն մտցնել բժիշկների կողմից բորբոքային մաշկային հիվանդությունների բուժման մեջ, ինչպիսիք են գայլախտը, փսորիազը, ատոպիկ դերմատիտը և սկլերոդերման: Բացահայտված Science Advances ամսագրում գրախոսվող հոդվածը մանրամասնում է AMPEL-ի մեքենայական ուսուցման բեկումնային մոտեցումը՝ հիվանդների մաշկի բիոպսիայից ստացված գեների արտահայտման տվյալներից բնութագրելու հիվանդության ակտիվությունը: Լաբորատոր թեստը, որը միայն վերջին մի քանի տարիների հայեցակարգն էր, այժմ պատրաստ է մշակման՝ գործնական օգտագործման համար: AMPEL-ի սկզբնական նպատակը կարմիր գայլախտ էր, սակայն թեստը կարող է օգտագործվել բազմաթիվ աուտոիմուն կամ բորբոքային մաշկային հիվանդությունների համար, որոնք ազդում են ավելի քան 35 միլիոն ամերիկացիների վրա:
AMPEL-ի մեքենայական ուսուցման նորարարական մոտեցումը, որն այժմ պատրաստ է մշակվել որպես որոշումների աջակցման բիոմարկերային թեստ, կարող է մեծապես ազդել առողջության վրա՝ թույլ տալով բժիշկներին բացահայտել հիվանդի հիվանդության ախտանիշների պատճառը և ավելի ճշգրիտ ընտրել համապատասխան բուժումը: AMPEL-ի մոտեցումը բավականաչափ զգայուն է կլինիկականորեն չներգրավված մաշկի փոփոխությունները հայտնաբերելու համար, որպեսզի վաղ միջամտությունը կարող է կանխել համակարգային բռնկումները և մաշկի վնասվածքները, որոնք ակնհայտ են վնասվածքներում: AMPEL-ի մեքենայական ուսուցման մոտեցման կիրառումը կարող է նաև օգնել դեղագործական ընկերություններին դեղերի մշակման և կլինիկական փորձարկումներում:
Քրոնիկ մաշկային հիվանդություններ ունեցող հիվանդները հաճախ տառապում են անկանխատեսելի հիվանդության ակտիվությունից, որն ազդում է ամենօրյա գործունեության վրա, ինչպիսիք են աշխատանքային և ընտանեկան կյանքը: Քանի որ անկանխատեսելի ախտանշանները հաճախ հանգեցնում են շտապ օգնության սենյակ ուղևորություններին, հիվանդության վատթարացումը և համակարգային ներգրավվածությունը մաշկի սովորական բիոպսիաներով կանխատեսելու կարողությունը կարևոր առողջապահական և առողջապահական տնտեսական հետևանքներ ունի:
AMPEL-ի մեքենայական ուսուցման ծրագիրը, որը զուգորդվում է AMPEL-ի գործիքների խողովակաշարի հետ, որոնք վերլուծում են շատ մեծ և բարդ կլինիկական տվյալների հավաքածուներ («Մեծ տվյալներ»), AMPEL-ի մեքենայական ուսուցման ծրագիրը նշանակալից քայլ է հիվանդության գործունեության մոնիտորինգի համար սովորական մաշկի թեստ իրականացնելու և հիվանդի գենի վրա հիմնված բուժման համար որոշումներ կայացնելու համար: արտահայտություն. Սա կփոխի, թե ինչպես են բժիշկները վերաբերվում քրոնիկական մաշկային հիվանդություններին՝ օգտագործելով լաբորատոր թեստի միջոցով հավաքված տեղեկատվությունը և վերլուծվել մեքենայական ուսուցման միջոցով՝ ախտորոշելու, բնութագրելու ճշգրիտ մոլեկուլային անոմալիաները և բուժելու մաշկային հիվանդությունները նախքան վնասը սկսելը, փրկելով հիվանդներին հիվանդության ցավից և անհարմարությունից: հակառակ դեպքում կտրուկ ազդում է նրանց կյանքի վրա:
Դեղագործական ընկերությունները դեղերը փորձարկում են կլինիկական փորձարկումներում և բախվում են այն հիվանդներին, ովքեր լավագույն ներուժն ունեն՝ արձագանքելու փորձարկվող բուժմանը: «Սխալ» հիվանդների գրանցումը կարող է հանգեցնել փորձարկման ձախողման, որը հաճախ հանգեցնում է դեղամիջոցի մշակման չեղարկմանը՝ ընդառաջ FDA-ի հաստատմանը, որը կարող է օգուտ բերել հիվանդների ընդհանուր բնակչության ենթախմբին: AMPEL-ի մաշկի թեստը կօգնի դեղագործական ընկերություններին բացահայտել այն հիվանդներին, որոնք, ամենայն հավանականությամբ, արձագանքում են հատուկ բուժմանը, դրանով իսկ օգնելով բարելավել կլինիկական փորձարկումների արդյունքները:
Դոկտոր Պիտեր Լիպսկի, AMPEL BioSolutions-ի գլխավոր բժշկական տնօրեն և համահիմնադիր. «Ներկայումս չկա որևէ այլ ծրագիր, որը կարող է ճշգրիտ կանխատեսել հիվանդության ակտիվությունը և առաջարկել համապատասխան բուժում, և մենք շատ ոգևորված ենք Science Advances-ում արձանագրված այս բեկումով: Այն հիվանդների համար, ովքեր տառապում են մաշկային քրոնիկ հիվանդություններով, բուժման բովանդակալից նորամուծությունները չեն կարող շուտով գալ: Հետևելով մեր մեքենայական ուսուցման հայեցակարգի մշակմանը, մենք այժմ կարող ենք առաջ շարժվել մեր գործընկերների հետ՝ մշակելու այս մաշկի թեստը, որը կարող է փոխել այն, թե ինչպես բժիշկները կարող են օգնել մաշկային քրոնիկ հիվանդություններով հիվանդներին կառավարել իրենց վիճակը՝ առաջարկելով ավելի լավ և ճշգրիտ բուժում՝ հիմնված անհատականության վրա: հիվանդի տվյալները, այլ ոչ թե ընդհանուր մոտեցումը»:
Դոկտոր Ամրի Գրամմեր, AMPEL BioSolutions-ի գլխավոր գիտական տնօրեն և համահիմնադիր. «Մեր թիմը մշակել է գործիք, որը կարող է պատկերացնել, թե ինչպես են վերաբերվում մաշկային հիվանդություններով հիվանդներին: Որպես ճշգրիտ բժշկության ընկերություն՝ AMPEL-ը փոխում է աուտոիմուն և բորբոքային հիվանդությունների բուժման պարադիգմը։ Մենք հպարտ ենք, որ անում ենք այս աշխատանքը Վիրջինիայում և կշարունակենք հավաքագրել տաղանդներ և զարգացնել մեր բիզնեսն այստեղ»:
Դոկտոր Ռայթ Քաուգման, մաշկաբանության ամբիոնի պրոֆեսոր, Emory of Medicine School և Exec VP for Health Affairs (Emeritus), Emory University. մաշկի բորբոքային հիվանդություններ. AMPEL-ը ներկայացնում է այս աշխատանքը այս ամսվա վերջին Հետաքննող մաշկաբանության ընկերության հանդիպմանը: Երբ AMPEL-ի կլինիկական գենոմային թեստը ստանա CLIA-ի հավաստագրումը, բժիշկները կկարողանան արագորեն բացահայտել լավագույն դեղամիջոցները յուրաքանչյուր առանձին հիվանդի համար և ձեռք բերել ավելի արագ և անվտանգ վերահսկողություն նրանց հիվանդության նկատմամբ»:
ԻՆՉ Է ՀԱՆԵԼ ԱՅՍ ՀՈԴՎԱԾԻՑ.
- This will transform the way doctors treat chronic skin diseases by using the information gathered by the lab test and analyzed by machine learning to diagnose, characterize the precise molecular abnormalities and treat skin diseases before damage begins, saving patients from pain and inconvenience of a disease that otherwise drastically affects their lives.
- Paired with AMPEL’s pipeline of tools to analyze very large and complex clinical datasets (“Big Data”), AMPEL’s machine learning program is a significant step towards implementing a routine skin test for monitoring disease activity and providing decision support for treatment based on a patient’s gene expression.
- Following the development of our machine learning concept, we can now move forward in working with our partners to develop this skin test that could transform the way doctors can help patients with chronic skin disease manage their condition by offering better and more precise treatments based on individual patient data rather than a general approach.
