Din egen "digitale tvilling"? Den nyeste teknologi, der vil ændre narkotikatestning (Digital Twin)

Har du nogensinde spekuleret på, hvor lang tid det tog for den pille, du tog i morges, at nå dine hænder? Først udfører de omfattende forskning i laboratorier. Derefter tester de den på dyr. Men før de kan godkendes til brug på mennesker, skal de teste den på mennesker. Det er det, vi kalder et klinisk forsøg. Det er en meget kompliceret og dyr proces.

Kort sagt, hvad er et klinisk forsøg?

Enkelt sagt fungerer et klinisk forsøg således: Forskere rekrutterer patienter med den sygdom, som det nyudviklede lægemiddel er rettet mod. Disse frivillige opdeles derefter tilfældigt i to grupper.

1. Den første gruppe får det nye lægemiddel, der skal testes.

2. Den anden gruppe , "kontrolgruppen", får et placebo, der ikke har nogen aktiv ingrediens og ligner lægemidlet præcis. Vi kalder dette "placebo".

Hvis symptomerne hos dem, der tog det nye lægemiddel, ved afslutningen af ​​dette forsøg er forbedret mere end hos dem, der tog placebo, beviser det, at det nye lægemiddel er effektivt.

En af de største udfordringer i et sådant forsøg er at finde nok patienter, der passer præcis til forsøget. Nogle gange ved selv læger ikke, hvilke forsøg der er de rigtige for deres patienter. Derudover matcher karakteristikaene hos de patienter, der ønsker at deltage, muligvis ikke forsøgets krav. Kunstig intelligens (AI) kan dog gøre denne opgave meget lettere.

Mød din "digitale tvilling"

Forestil dig, at du har din egen computermodel, det vil sige en digital kopi af dig selv. Det er det, der kaldes en "digital tvilling". Disse er blot "computermodeller", der simulerer et virkeligt objekt eller system på en computer. Men når de ses numerisk, opfører de sig præcis som den virkelige ting. Det bedste eksempel er, da en ilttank på Apollo 13-rumfartøjet eksploderede, og NASA hjalp med at reparere den med en "digital tvilling" af det samme rumfartøj bygget på Jorden.

Nu kan forskere skabe en "digital tvilling" af et menneske, givet nok "data". Dette bruger en kunstig intelligens-teknologi kaldet "maskinlæring". Kort sagt involverer det at give et computerprogram en stor mængde data og lade det lære af det.

Digitale tvillinger af patienter oprettes ved at træne disse maskinlæringsmodeller ved hjælp af data fra tidligere kliniske forsøg og hver patients personlige patientjournaler. Modellen kan derefter forudsige, hvordan en patients helbred vil ændre sig i løbet af forsøget, hvis de får placebo.Det vil sige, at der oprettes en computergenereret kontrolgruppe (simuleret kontrolgruppe) for den samme patient.

Lad os nu se, hvordan det fungerer. Lad os sige, at en person ved navn "Samadhi" udvælges til at være i den gruppe, der modtager et nyt lægemiddel. Samadhis "digitale tvilling", en computermodel, er i kontrolgruppen. Modellen forudsiger, hvad der ville ske, hvis Samadhi fik en "placebo" i stedet for det faktiske lægemiddel. I sidste ende er forskellen mellem Samadhis faktiske reaktion på lægemidlet og det, modellen forudsagde ville ske, hvis han tog "placeboen", et mål for, hvor effektivt lægemidlet er for Samadhi.

Lad os se på denne tabel for tydeligt at se fordelene ved at bruge "digitale tvillinger" i stedet for traditionelle kontrolteams.

Selvom denne teknologi er god, er der så ikke problemer?

Selvom denne teknologi lover meget for fremtiden, er den endnu ikke blevet udbredt. Der kan være gode grunde til dette. Som Dr. Daniel Neal, en ekspert i "(maskinlæring)," påpeger, er disse modeller afhængige af store mængder data. Det er også meget vanskeligt at indhente data af høj kvalitet fra enkeltpersoner.

Et andet problem er de sjældne, uventede bivirkninger , som et lægemiddel kan forårsage. Disse er ofte ikke dækket af den model, der er designet til kontrolgruppen.

Men Dr. Neals største frygt er, at denne prædiktive model er baseret på "business as usual". Forestil dig en stor, uventet begivenhed som COVID-19-pandemien, der ændrer alles adfærd og gør folk syge. "Kontrolmodeller tager ikke højde for dette," siger han. Så på grund af disse begivenheder, som kontrolgruppen ikke tog højde for, kan de endelige resultater af eksperimentet være helt anderledes.

Så kan dette virkelig bruges? Hvad vil fremtiden bringe?

Eric Topol, ekspert i brugen af ​​digital teknologi i sundhedsvæsenet, mener, at ideen er god, men tiden er ikke inde endnu. "Jeg tror ikke, at kliniske forsøg vil ændre sig i den nærmeste fremtid. Fordi det kræver flere lag af data, ud over blot patientjournaler, såsom genomsekvenser, tarmmikrobiom og miljødata."

Ifølge Charles Fisher, grundlægger af Unlearn.AI, en pioner inden for denne teknologi, findes der allerede løsninger på problemerne med databeskyttelse og bias. "Privatliv er nemt. Vi arbejder kun med data, der allerede er blevet anonymiseret."

Når han taler om bias, siger han, at selvom problemet ikke er fuldstændigt løst, er det ikke relevant for undersøgelsens resultater. Fordi undersøgelserne er randomiserede, påvirker det ikke resultaterne, selvom der er en vis bias i dataene. Nogle eksperter er dog uenige i denne idé. De siger,Fordi du sammenligner en rigtig person med en computermodel, kan en fejl i modellen direkte påvirke resultaterne.

Unlearn.AI arbejder dog allerede sammen med medicinalfirmaer om at designe kliniske forsøg for neurologiske sygdomme som Alzheimers, Parkinsons og multipel sklerose. De valgte disse sygdomme som et godt sted at starte, fordi de har flere data end andre. Fisher siger, at hvis metoden en dag kan anvendes på alle sygdomme, kan det reducere den tid, det tager for nye lægemidler at komme på markedet, betydeligt.