Vaše vlastní „digitální dvojče“? Nejnovější technologie, která změní testování na drogy (digitální dvojče)

Přemýšleli jste někdy, jak dlouho trvalo, než se vám do rukou dostala ta pilulka, kterou jste si dnes ráno vzali? Nejdříve se provádí rozsáhlý výzkum v laboratořích. Pak se testuje na zvířatech. Než ale může být schválena pro použití u lidí, musí se testovat na lidech. Tomu říkáme klinická studie. Je to velmi složitý a drahý proces.

Jednoduše řečeno, co je to klinické hodnocení?

Jednoduše řečeno, klinická studie funguje takto: Výzkumníci nabírají pacienty s onemocněním, na které je cílen nově vyvinutý lék. Tito dobrovolníci jsou poté náhodně rozděleni do dvou skupin.

1. První skupina dostane nový lék k testování.

2. Druhá skupina , „kontrolní skupina“, dostává placebo, které neobsahuje žádnou účinnou látku a vypadá přesně jako lék. Tomuto stavu říkáme „placebo“.

Pokud se na konci této studie příznaky těch, kteří užívali nový lék, zlepší více než u těch, kteří užívali placebo, pak to dokazuje, že nový lék je účinný.

Jednou z největších výzev v takové studii je najít dostatek pacientů, kteří jsou pro danou studii přesně ti praví. Někdy ani lékaři nevědí, které studie jsou pro jejich pacienty vhodné. Navíc charakteristiky pacientů, kteří se chtějí studie zúčastnit, nemusí odpovídat požadavkům studie. Umělá inteligence (AI) by však tento úkol mohla výrazně usnadnit.

Seznamte se se svým „digitálním dvojčetem“

Představte si, že máte svůj vlastní počítačový model, tedy digitální kopii sebe sama. Tomu se říká „digitální dvojče“. Jsou to jen „počítačové modely“, které simulují objekt nebo systém z reálného světa v počítači. Ale při numerickém pohledu se chovají přesně jako skutečné věci. Nejlepším příkladem je explodující kyslíková nádrž na kosmické lodi Apollo 13, kterou NASA pomohla opravit pomocí „digitálního dvojčete“ stejné kosmické lodi postavené na Zemi.

Vědci nyní mohou vytvořit „digitální dvojče“ člověka, pokud jim dají dostatek „dat“. K tomu se využívá technologie umělé inteligence zvaná „strojové učení“. Jednoduše řečeno, jde o to, že se počítačovému programu poskytne velké množství dat a ten se z nich nechá učit.

Digitální dvojčata pacientů se vytvářejí trénováním těchto modelů strojového učení s využitím dat z předchozích klinických studií a osobních zdravotních záznamů každého pacienta. Model pak dokáže předpovědět, jak se zdravotní stav pacienta v průběhu studie změní, pokud mu bude podáno placebo.To znamená, že pro stejného pacienta je vytvořena počítačem generovaná kontrolní skupina (simulovaná kontrolní skupina).

Podívejme se nyní, jak to funguje. Řekněme, že někdo jménem „Samádhi“ je vybrán do skupiny, která dostane nový lék. Samádhiho „digitální dvojče“, počítačový model, je v kontrolní skupině. Model předpovídá, co by se stalo, kdyby Samádhi dostal „placebo“ místo skutečného léku. Rozdíl mezi Samádhiho skutečnou reakcí na lék a tím, co model předpověděl, kdyby si vzal „placebo“, je nakonec měřítkem toho, jak účinný je lék pro Samádhi.

Podívejme se na tuto tabulku, abychom jasně viděli výhody použití „digitálních dvojčat“ místo tradičních řídicích týmů.

I když je tato technologie dobrá, nejsou s ní nějaké problémy?

Přestože tato technologie skýtá velký potenciál do budoucna, dosud nebyla široce používána. Pro to mohou existovat dobré důvody. Jak zdůrazňuje Dr. Daniel Neal, odborník na „(strojové učení)“, tyto modely se spoléhají na velké množství dat. Je také velmi obtížné získat vysoce kvalitní data od jednotlivců.

Dalším problémem jsou vzácné, neočekávané vedlejší účinky , které může lék způsobit. Ty často nejsou zahrnuty v modelu navrženém pro kontrolní skupinu.

Největší obavou Dr. Neala je ale to, že tento prediktivní model je založen na „běžném postupu“. Představte si velkou, neočekávanou událost, jako je pandemie COVID-19, která změní chování všech a způsobí, že lidé onemocní. „Kontrolní modely to nezohledňují,“ říká. Pak by kvůli těmto událostem, které kontrolní skupina nezohlednila, mohly být konečné výsledky experimentu zcela odlišné.

Dá se to tedy opravdu použít? Co přinese budoucnost?

Eric Topol, expert na využití digitálních technologií ve zdravotnictví, si myslí, že je to skvělý nápad, ale ještě nenastal ten správný čas. „Nemyslím si, že se klinické studie v blízké budoucnosti změní. Protože vyžadují více vrstev dat, nejen zdravotní záznamy, jako jsou genomové sekvence, střevní mikrobiom, data o životním prostředí.“

Podle Charlese Fishera, zakladatele Unlearn.AI, průkopníka v této technologii, již existují řešení problémů s ochranou osobních údajů a zkreslením. „Ochrana osobních údajů je snadná. Pracujeme pouze s daty, která již byla anonymizována.“

Když hovoří o zkreslení, říká, že ačkoliv problém nebyl zcela vyřešen, není relevantní pro výsledky studie. Protože jsou studie randomizované, i když se v datech vyskytuje určité zkreslení, neovlivňuje to výsledky. Někteří odborníci s touto myšlenkou však nesouhlasí. Říkají,Protože porovnáváte skutečnou osobu s počítačovým modelem, může případná chyba v tomto modelu přímo ovlivnit výsledky.

Společnost Unlearn.AI však již spolupracuje s farmaceutickými společnostmi na návrhu klinických studií neurologických onemocnění, jako je Alzheimerova choroba, Parkinsonova choroba a roztroušená skleróza. Tato onemocnění si vybrali jako dobrý výchozí bod, protože o nich mají více dat než o jiných. Fisher říká, že pokud by se metoda jednoho dne dala aplikovat na všechna onemocnění, mohla by výrazně zkrátit dobu potřebnou k uvedení nových léků na trh.