Вашият собствен „дигитален близнак“? Най-новата технология, която ще промени тестването за наркотици (Дигитален близнак)

Някога чудили ли сте се колко време е отнело хапчето, което взехте тази сутрин, да стигне до вашите ръце? Първо, те правят обширни изследвания в лаборатории. След това го тестват върху животни. Но преди да бъдат одобрени за употреба при хора, трябва да бъдат тествани върху хора. Това наричаме клинично изпитване. Това е много сложен и скъп процес.

Казано по-просто, какво е клинично изпитване?

Казано по-просто, едно клинично изпитване работи по следния начин: Изследователите набират пациенти със заболяването, към което е насочено новоразработеното лекарство. След това тези доброволци се разделят на случаен принцип в две групи.

1. На първата група се дава новото лекарство за тестване.

2. Втората група , „контролната група“, получава плацебо, което няма активна съставка и изглежда точно като лекарството. Наричаме това „плацебо“.

Ако в края на това проучване симптомите на тези, които са приемали новото лекарство, са се подобрили повече от тези, които са приемали плацебо, това доказва, че новото лекарство е ефективно.

Едно от най-големите предизвикателства в подобно проучване е намирането на достатъчно пациенти, които са точно подходящи за него. Понякога дори лекарите не знаят кои проучвания са подходящи за техните пациенти. Също така, характеристиките на пациентите, които искат да участват, може да не отговарят на изискванията на проучването. Изкуственият интелект (ИИ) обаче би могъл да улесни значително тази задача.

Запознайте се с вашия „дигитален близнак“

Представете си, че имате свой собствен компютърен модел, тоест дигитално копие на себе си. Това се нарича „цифров близнак“. Това са просто „компютърни модели“, които симулират обект или система от реалния свят на компютър. Но когато се разглеждат числено, те се държат точно като истинските неща. Най-добрият пример е, когато кислороден резервоар на космическия кораб Аполо 13 експлодира, НАСА помогна за ремонта му с „цифров близнак“ на същия космически кораб, построен на Земята.

Сега учените могат да създадат „дигитален близнак“ на човешко същество, като им се предоставят достатъчно „данни“. Това използва технология за изкуствен интелект, наречена „машинно обучение“. Казано по-просто, това включва предоставяне на компютърна програма на голямо количество данни и позволяване на тя да се учи от тях.

Цифровите близнаци на пациентите се създават чрез обучение на тези модели за машинно обучение, използвайки данни от предишни клинични изпитвания и личните медицински досиета на всеки пациент. След това моделът може да предвиди как ще се промени здравето на пациента в хода на изпитването, ако му бъде дадено плацебо.Тоест, за същия пациент се създава компютърно генерирана контролна група (симулирана контролна група).

Сега нека видим как работи това. Да кажем, че някой на име „Самадхи“ е избран да бъде в групата, която получава ново лекарство. „Цифровият близнак“ на Самадхи, компютърен модел, е в контролната група. Моделът предсказва какво би се случило, ако на Самадхи му бъде дадено „плацебо“ вместо действителното лекарство. В крайна сметка, разликата между действителния отговор на Самадхи на лекарството и това, което моделът предсказа, че би се случило, ако той вземе „плацебо“, е мярка за това колко ефективно е лекарството за Самадхи.

Нека разгледаме тази таблица, за да видим ясно предимствата от използването на „цифрови близнаци“ вместо традиционните контролни екипи.

Въпреки че тази технология е добра, няма ли проблеми?

Въпреки че тази технология е многообещаваща за бъдещето, тя все още не е широко използвана. Може би има основателни причини за това. Както посочва д-р Даниел Нийл, експерт по „(машинно обучение)“, тези модели разчитат на големи количества данни. Освен това е много трудно да се получат висококачествени данни от отделни хора.

Друг проблем са редките, неочаквани странични ефекти , които едно лекарство може да причини. Те често не са обхванати от модела, разработен за контролната група.

Но най-големият страх на д-р Нийл е, че този предсказващ модел се основава на „обичайното протичане на нещата“. Представете си голямо, неочаквано събитие като пандемията от COVID-19, което променя поведението на всички и разболява хората. „Контролните модели не вземат това предвид“, казва той. Тогава, поради тези събития, които контролната група не е взела предвид, крайните резултати от експеримента биха могли да бъдат напълно различни.

И така, може ли това наистина да се използва? Какво ни очаква в бъдеще?

Ерик Топол, експерт по използването на дигитални технологии в здравеопазването, смята, че идеята е чудесна, но времето все още не е подходящо. „Не мисля, че клиничните изпитвания ще се променят в близко бъдеще. Защото това изисква множество слоеве данни, освен здравните досиета, като например геномни последователности, чревен микробиом, данни за околната среда.“

Според Чарлз Фишър, основател на Unlearn.AI, пионер в тази технология, вече има решения на проблемите с поверителността на данните и предубежденията. „Поверителността е лесна. Работим само с данни, които вече са анонимизирани.“

Когато говори за пристрастност, той казва, че въпреки че проблемът не е напълно решен, той не е от значение за резултатите от изследването. Тъй като изследванията са рандомизирани, дори и да има известна пристрастност в данните, тя не влияе на резултатите. Някои експерти обаче не са съгласни с тази идея. Те казват,Тъй като сравнявате реален човек с компютърен модел, ако има някаква грешка в този модел, това може директно да повлияе на резултатите.

Въпреки това, Unlearn.AI вече работи с фармацевтични компании за разработване на клинични изпитвания за неврологични заболявания като Алцхаймер, Паркинсон и множествена склероза. Те избраха тези заболявания като добро място за начало, защото имат повече данни от други. Фишър казва, че ако методът един ден може да се приложи към всички заболявания, това би могло значително да намали времето, необходимо за появата на нови лекарства на пазара.