Stwardnienie guzowate można zdiagnozować bardzo wcześnie – możliwe jest już wykrycie guzów u płodu w czasie ciąży.

Jednak nawet u dzieci, u których diagnozę postawiono tak wcześnie, leczenie padaczki jest zwykle opóźnione do momentu wystąpienia pierwszych napadów.

W końcu jak można leczyć chorobę, która jeszcze się nie ujawniła?

Doktor Jóźwiak zaczął leczyć inaczej

W wyniku zastosowanej terapii zmiany w EEG nie pojawiły się u czworga dzieci (30%). U pozostałych dziesięciu pacjentów w wyniku zmian w badaniu EEG zostało wdrożone leczenie przeciwpadaczkowe.

U czworga z nich (40%) odczyty EEG znormalizowały się z czasem i nie wykazywały one klinicznych objawów padaczki. W przypadku pozostałej szóstki pacjentów napady wystąpiły, ale były one łatwiejsze do opanowania.

Rozpoczynasz badanie kliniczne? Jako pracownik naukowy zdajesz sobie sprawę z zawiłości tego procesu.

Zanim zagłębimy się w ryzyko i rozwiązania w zakresie analizy danych klinicznych, zbadajmy, w jaki sposób możemy współpracować przy następnym projekcie.

Potencjalne zagrożenia: Błędne założenia dotyczące efektów, ograniczenia budżetowe, niezgodność z celami badawczymi i inne.

Nasze podejście: Wspólnie wykorzystamy różne strategie, aby ograniczyć to ryzyko:

1. Dane ze świata rzeczywistego/dowody ze świata rzeczywistego (RWD/RWE): Analizując dane zebrane z rzeczywistych doświadczeń pacjentów i praktyk klinicznych (RWD) oraz dowody pochodzące z tych danych (RWE), możemy zweryfikować założenia dotyczące efektów, zapewniając, że badania są oparte na rzeczywistości.
2. Metaanalizy: Agregacja wyników z wielu badań zapewnia szerszą perspektywę, zmniejszając ryzyko błędnych założeń i dostosowując badania do istniejących dowodów. Metoda ta łączy wyniki różnych niezależnych badań w celu zidentyfikowania wspólnych trendów i spostrzeżeń.
3. Badania jakościowe: Zaangażowanie w badania jakościowe, takie jak wywiady i grupy fokusowe, pozwala na głębsze zrozumienie kontekstu, zapewniając, że cele badawcze są istotne i możliwe do osiągnięcia.

Potencjalne zagrożenia: Zły projekt badania, nieodpowiednia wielkość próby, niespójności metodologiczne, inne.

Nasze podejście: Wspólnie zastosujemy ukierunkowane usługi, aby sprostać tym wyzwaniom:

1. Szacowanie wielkości próby (z symulacjami badań klinicznych): Starannie szacując liczbę pacjentów potrzebną do zrekrutowania w badaniu z wykorzystaniem symulacji, zapewnimy, że projekt jest statystycznie poprawny i ma wystarczającą moc do wykrywania znaczących efektów, zmniejszając ryzyko niewłaściwej wielkości próby badania.
2. Opracowanie planu analizy statystycznej: Opracowanie kompleksowego planu analizy statystycznej ukierunkuje metodologię, minimalizując niespójności i dostosowując się do najlepszych praktyk.
3. Optymalizacja projektu: W ścisłej współpracy z klientem dokonamy przeglądu i udoskonalenia projektu badania, upewniając się, że jest on zgodny z celami badawczymi i standardami akademickimi. Wykorzystując metody obliczeniowe, takie jak optymalizacja, możemy porównać różne opcje, w tym projekty adaptacyjne, które pozwalają na elastyczność i dostosowania w trakcie badania, aby znaleźć najlepsze dopasowanie do projektu.

Potencjalne zagrożenia: Błąd ludzki, niespójność danych, nieprzewidziane przeszkody i inne.

Nasze podejście: Nasze innowacyjne i adaptacyjne podejście obejmuje:

1. Wykorzystanie klasyfikatorów uczenia maszynowego: Wykorzystując klasyfikatory uczenia maszynowego, tworzymy algorytmy, które mogą wykrywać i rozwiązywać wyzwania na wczesnym etapie procesu gromadzenia danych. Te klasyfikatory mogą identyfikować wzorce i anomalie, często zmniejszając ich dotkliwość, zapewniając jakość i integralność gromadzenia danych. Będziemy stale monitorować badanie, gotowi reagować na wszelkie pojawiające się wyzwania, zapewniając, że projekt pozostanie na dobrej drodze i będzie zgodny z celami.
2. Wykorzystanie wcześniej stworzonych narzędzi (symulatorów, optymalizatorów): W przypadku wystąpienia nieoczekiwanych zdarzeń, będziemy korzystać z naszej kolekcji specjalistycznych narzędzi, w tym symulatorów i optymalizatorów, aby podejmować świadome decyzje dotyczące dalszego postępowania. Narzędzia te zostały opracowane w celu obsługi różnych scenariuszy w badaniach klinicznych, optymalizując postęp badania.

Potencjalne zagrożenia: Brak dokumentacji, błędy analityczne, błędna interpretacja i inne.

Nasze podejście: Nasze kompleksowe i przejrzyste podejście obejmuje:

1. Tworzenie powtarzalnych raportów i udostępnianie kodu: Tworząc jasny i powtarzalny raport, zapewniamy, że analiza jest przejrzysta i weryfikowalna, zmniejszając ryzyko błędnej interpretacji i dostosowując się do standardów akademickich.
2. Stosowanie zautomatyzowanych testów danych: Wykorzystując zautomatyzowane testy, zminimalizujemy błędy analityczne, zapewniając dokładność i spójność danych.
   
3. Wspólna interpretacja: Ściśle współpracując z Tobą, zinterpretujemy wyniki, upewniając się, że są one zgodne z Twoimi celami badawczymi i spełniają najwyższe standardy rygoru akademickiego.

Nasze podejście: Nasze innowacyjne i oparte na współpracy podejście obejmuje wykorzystanie Explainable AI (XAI):


Stosując XAI, gałąź sztucznej inteligencji, która zapewnia jasne i zrozumiałe wyjaśnienia złożonych ustaleń opartych na sztucznej inteligencji, demistyfikujemy złożone wzorce. Takie podejście pozwala nam odkryć spostrzeżenia, które w przeciwnym razie mogłyby zostać pominięte, zapewniając jasne wyjaśnienia zgodne z rygorem akademickim. Gwarantuje to, że proces podejmowania decyzji przez sztuczną inteligencję może być przejrzyście zrozumiany, zgodnie z zasadami badań naukowych.

Nasze podejście: Nasze kompleksowe i przejrzyste podejście obejmuje

1. Zrozumienie wyników: Będziemy współpracować z Tobą w celu interpretacji i przedstawienia wyników, zapewniając, że wyniki zostaną przedstawione w sposób jasny i rygorystyczny.
   
2. Przygotowanie artykułu: Ściśle współpracując, pomożemy w opracowaniu manuskryptu, dostosowaniu go do standardów publikacji i zwiększeniu jego potencjału do akceptacji w czasopismach o wysokiej randze.
   
3. Pomoc w przypadku wątpliwości recenzentów: Jeśli pojawią się jakiekolwiek pytania lub wątpliwości ze strony recenzentów, będziemy po Twojej stronie, zapewniając fachowe wskazówki i wsparcie w ich rozwiązywaniu, zapewniając sprawny proces publikacji.

Bez odpowiednich narzędzi trudno jest rozważać różne scenariusze i hipotezy, zwłaszcza przy ograniczonym czasie i budżecie.

W projekcie Epistop stanęliśmy przed wyzwaniem analizy padaczki lekoopornej, dla której nie ma jednej definicji.

Niektórzy naukowcy definiowali ją jako brak odpowiedzi na leki po 30 dniach; inni twierdzili, że 45 dni jest lepszą miarą. Zamiast po prostu „przeprowadzać obliczenia”, przygotowaliśmy infrastrukturę do generowania powtarzalnych raportów, w których zmiana jednego parametru powoduje ponowne obliczenie wszystkiego w ciągu kilku sekund i bez ryzyka błędu.

Nawet najmądrzejsi ludzie są podatni na ludzkie błędy, a jeden niewykryty błąd może zakwestionować całe badanie. Uwiarygodniliśmy badanie za pomocą oprogramowania, które pomogło wskazać błędy i podejrzane wartości danych.

Aby zrozumieć dane i skutecznie odpowiedzieć na pytania pod koniec badania, co może zająć lata, wprowadziliśmy wersjonowanie wygenerowanych raportów w repozytorium Git. Tam też prowadziliśmy całą komunikację związaną z projektem. Naukowcy mogą łatwo śledzić wszystkie wersje raportów i dodawać swoje komentarze.

Miesiące po wygenerowaniu raportu mogą być potrzebne ponowne obliczenia ze względu na pytania recenzentów lub kolejne projekty. Zmiany w zewnętrznych narzędziach i bibliotekach mogą prowadzić do różnic w wynikach.

Użyliśmy Packrat – narzędzia do kodu R, które zapisuje ekosystem obliczeń na dany dzień, umożliwiając ponowne obliczenia w tym samym środowisku.