Vaš vlastiti "digitalni blizanac"? Najnovija tehnologija koja će promijeniti testiranje na droge (Digitalni blizanac)

Jeste li se ikada zapitali koliko je vremena trebalo da vam tableta koju ste popili jutros stigne u ruke? Prvo, provode opsežna istraživanja u laboratorijama. Zatim je testiraju na životinjama. Ali prije nego što se odobre za upotrebu na ljudima, moraju je testirati na ljudima. To nazivamo kliničkim ispitivanjem. To je vrlo kompliciran i skup proces.

Jednostavno rečeno, šta je kliničko ispitivanje?

Jednostavno rečeno, kliničko ispitivanje funkcionira ovako: Istraživači regrutuju pacijente s bolešću na koju cilja novorazvijeni lijek. Ovi volonteri se zatim nasumično dijele u dvije grupe.

1. Prvoj grupi se daje novi lijek koji treba testirati.

2. Druga grupa , „kontrolna grupa“, dobija placebo koji nema aktivni sastojak i izgleda identično lijeku. To nazivamo „Placebo“.

Ako se na kraju ovog ispitivanja simptomi onih koji su uzimali novi lijek više poboljšaju u odnosu na one koji su uzimali placebo, onda to dokazuje da je novi lijek efikasan.

Jedan od najvećih izazova u takvom ispitivanju je pronaći dovoljno pacijenata koji su upravo pravi izbor za ispitivanje. Ponekad čak ni doktori ne znaju koja su ispitivanja prava za njihove pacijente. Također, karakteristike pacijenata koji žele učestvovati možda ne odgovaraju zahtjevima ispitivanja. Međutim, vještačka inteligencija (AI) bi mogla znatno olakšati ovaj zadatak.

Upoznajte svog "digitalnog blizanca"

Zamislite da imate vlastiti računarski model, odnosno digitalnu kopiju sebe. To se naziva "digitalni blizanac". To su samo "računarski modeli" koji simuliraju objekt ili sistem iz stvarnog svijeta na računaru. Ali kada se posmatraju numerički, ponašaju se potpuno isto kao i stvarni objekti. Najbolji primjer je kada je eksplodirao rezervoar s kisikom na svemirskoj letjelici Apollo 13, NASA je pomogla u njegovom popravljanju pomoću "digitalnog blizanca" iste svemirske letjelice izgrađene na Zemlji.

Sada naučnici mogu stvoriti "digitalnog blizanca" ljudskog bića, uz dovoljno "podataka". To koristi tehnologiju vještačke inteligencije pod nazivom "Mašinsko učenje". Jednostavno rečeno, ovo uključuje davanje računarskom programu velike količine podataka i omogućavanje mu da uči iz njih.

Digitalni blizanci pacijenata se kreiraju obučavanjem ovih modela mašinskog učenja koristeći podatke iz prethodnih kliničkih ispitivanja i lične medicinske kartone svakog pacijenta. Model zatim može predvidjeti kako će se zdravlje pacijenta promijeniti tokom ispitivanja ako mu se da placebo.To jest, za istog pacijenta se kreira kompjuterski generirana kontrolna grupa (Simulirana kontrolna grupa).

Sada da vidimo kako ovo funkcioniše. Recimo da je neko po imenu "Samadhi" odabran da bude u grupi koja prima novi lijek. Samadhijev "Digitalni blizanac", kompjuterski model, je u kontrolnoj grupi. Model predviđa šta bi se dogodilo kada bi Samadhi dobio "Placebo" umjesto stvarnog lijeka. U konačnici, razlika između Samadhijevog stvarnog odgovora na lijek i onoga što je model predvidio da bi se dogodilo kada bi uzeo "Placebo" je mjera koliko je lijek efikasan za Samadhi.

Pogledajmo ovu tabelu kako bismo jasno vidjeli prednosti korištenja „digitalnih blizanaca“ umjesto tradicionalnih kontrolnih timova.

Iako je ova tehnologija dobra, zar nema problema?

Iako ova tehnologija nosi velika obećanja za budućnost, još uvijek nije široko korištena. Za to mogu postojati dobri razlozi. Kao što ističe dr. Daniel Neal, stručnjak za "(mašinsko učenje)", ovi modeli se oslanjaju na velike količine podataka. Također, vrlo je teško dobiti visokokvalitetne podatke od pojedinaca.

Drugi problem su rijetke, neočekivane nuspojave koje lijek može izazvati. One često nisu obuhvaćene modelom dizajniranim za kontrolnu grupu.

Ali najveći strah dr. Neala je da se ovaj prediktivni model zasniva na "uobičajenom poslovanju". Zamislite veliki, neočekivani događaj poput pandemije COVID-19 koji mijenja ponašanje svih i čini ljude bolesnima. "Kontrolne grupe to ne uzimaju u obzir", kaže on. Tada bi, zbog ovih događaja koje kontrolna grupa nije uzela u obzir, konačni rezultati eksperimenta mogli biti potpuno drugačiji.

Dakle, može li se ovo zaista koristiti? Šta budućnost nosi?

Eric Topol, stručnjak za upotrebu digitalne tehnologije u zdravstvu, smatra da je ideja odlična, ali da još nije pravo vrijeme. "Ne mislim da će se klinička ispitivanja promijeniti u bliskoj budućnosti. Jer zahtijevaju više slojeva podataka, osim samih zdravstvenih kartona, kao što su sekvence genoma, crijevni mikrobiom, podaci o okolišu."

Prema riječima Charlesa Fishera, osnivača Unlearn.AI-a, pionira u ovoj tehnologiji, već postoje rješenja za probleme privatnosti podataka i pristranosti. "Privatnost je jednostavna. Radimo samo s podacima koji su već anonimizirani."

Kada govori o pristranosti, on kaže da iako problem nije u potpunosti riješen, nije relevantan za rezultate studije. Budući da su studije randomizirane, čak i ako postoji određena pristranost u podacima, ona ne utiče na rezultate. Međutim, neki stručnjaci se ne slažu s ovom idejom. Oni kažu,Budući da poredite stvarnu osobu sa kompjuterskim modelom, ako postoji bilo kakva greška u tom modelu, to može direktno uticati na rezultate.

Međutim, Unlearn.AI već sarađuje s farmaceutskim kompanijama na dizajniranju kliničkih ispitivanja za neurološke bolesti poput Alzheimerove bolesti, Parkinsonove bolesti i multiple skleroze. Odabrali su ove bolesti kao dobro mjesto za početak jer imaju više podataka od drugih. Fisher kaže da ako se metoda jednog dana može primijeniti na sve bolesti, to bi moglo značajno smanjiti vrijeme potrebno da se novi lijekovi pojave na tržištu.