Ihr eigener „digitaler Zwilling“? Die neueste Technologie, die Drogentests verändern wird (Digitaler Zwilling).

Haben Sie sich jemals gefragt, wie lange es dauert, bis die Pille, die Sie heute Morgen eingenommen haben, bei Ihnen ankommt? Zuerst wird sie in Laboren umfangreich erforscht. Dann wird sie an Tieren getestet. Bevor sie jedoch für die Anwendung am Menschen zugelassen werden kann, muss sie an Menschen getestet werden. Dies nennt man klinische Studie. Es ist ein sehr komplexer und kostspieliger Prozess.

Einfach ausgedrückt: Was ist eine klinische Studie?

Vereinfacht ausgedrückt funktioniert eine klinische Studie so: Forscher rekrutieren Patienten mit der Krankheit, gegen die das neu entwickelte Medikament gerichtet ist. Diese Freiwilligen werden dann nach dem Zufallsprinzip in zwei Gruppen aufgeteilt.

1. Die erste Gruppe erhält das neue Medikament zum Testen.

2. Die zweite Gruppe , die „Kontrollgruppe“, erhält ein Placebo, das keinen Wirkstoff enthält und dem Medikament äußerlich gleicht. Wir nennen es „Placebo“.

Wenn sich am Ende dieser Studie die Symptome derjenigen, die das neue Medikament eingenommen haben, stärker verbessert haben als die derjenigen, die das Placebo eingenommen haben, dann beweist dies, dass das neue Medikament wirksam ist.

Eine der größten Herausforderungen bei solchen Studien besteht darin, genügend geeignete Patienten zu finden. Manchmal wissen selbst Ärzte nicht, welche Studien für ihre Patienten geeignet sind. Zudem entsprechen die Merkmale der teilnehmenden Patienten möglicherweise nicht den Studienanforderungen. Künstliche Intelligenz (KI) könnte diese Aufgabe jedoch deutlich erleichtern.

Lerne deinen "digitalen Zwilling" kennen

Stellen Sie sich vor, Sie hätten Ihr eigenes Computermodell, also eine digitale Kopie von sich selbst. Das nennt man einen „digitalen Zwilling“. Dabei handelt es sich um Computermodelle, die ein reales Objekt oder System am Computer simulieren. Numerisch betrachtet verhalten sie sich aber exakt wie das Original. Das beste Beispiel dafür ist die Reparatur des explodierten Sauerstofftanks der Apollo 13-Raumkapsel mithilfe eines digitalen Zwillings desselben Raumschiffs, der auf der Erde gebaut wurde.

Wissenschaftler können nun, sofern genügend Daten vorhanden sind, einen digitalen Zwilling eines Menschen erstellen. Dies geschieht mithilfe einer Technologie der künstlichen Intelligenz namens maschinelles Lernen. Vereinfacht gesagt, geht es darum, einem Computerprogramm eine große Menge an Daten zu geben und es daraus lernen zu lassen.

Digitale Zwillinge von Patienten werden erstellt, indem diese Modelle des maschinellen Lernens mit Daten aus früheren klinischen Studien und den persönlichen Krankenakten jedes Patienten trainiert werden. Das Modell kann dann vorhersagen, wie sich der Gesundheitszustand eines Patienten im Verlauf der Studie verändern wird, wenn er ein Placebo erhält.Das heißt, für denselben Patienten wird eine computergenerierte Kontrollgruppe (simulierte Kontrollgruppe) erstellt.

Schauen wir uns nun an, wie das funktioniert. Nehmen wir an, jemand namens „Samadhi“ wird für die Gruppe ausgewählt, die ein neues Medikament erhält. Samadhis „digitaler Zwilling“, ein Computermodell, befindet sich in der Kontrollgruppe. Das Modell prognostiziert, was passieren würde, wenn Samadhi anstelle des eigentlichen Medikaments ein Placebo erhielte. Letztendlich ist die Differenz zwischen Samadhis tatsächlicher Reaktion auf das Medikament und der vom Modell vorhergesagten Reaktion bei Einnahme des Placebos ein Maß für die Wirksamkeit des Medikaments bei Samadhi.

Werfen wir einen Blick auf diese Tabelle, um die Vorteile des Einsatzes von „Digitalen Zwillingen“ anstelle herkömmlicher Kontrollteams deutlich zu erkennen.

Auch wenn diese Technologie gut ist, gibt es da nicht Probleme?

Obwohl diese Technologie großes Zukunftspotenzial birgt, ist sie noch nicht weit verbreitet. Dafür mag es gute Gründe geben. Wie Dr. Daniel Neal, ein Experte für maschinelles Lernen, betont, benötigen diese Modelle große Datenmengen. Zudem ist es sehr schwierig, qualitativ hochwertige Daten von Einzelpersonen zu gewinnen.

Ein weiteres Problem sind die seltenen, unerwarteten Nebenwirkungen , die ein Medikament hervorrufen kann. Diese werden oft nicht von dem für die Kontrollgruppe entwickelten Modell abgedeckt.

Dr. Neals größte Befürchtung ist jedoch, dass dieses Vorhersagemodell auf dem Prinzip „Weiter so wie bisher“ basiert. Stellen Sie sich ein großes, unerwartetes Ereignis wie die COVID-19-Pandemie vor, das das Verhalten aller verändert und Menschen krank macht. „Kontrollmodelle berücksichtigen dies nicht“, sagt er. Aufgrund dieser Ereignisse, die die Kontrollgruppe nicht berücksichtigt hat, könnten die Endergebnisse des Experiments völlig anders ausfallen.

Ist das also tatsächlich anwendbar? Was wird die Zukunft bringen?

Eric Topol, ein Experte für den Einsatz digitaler Technologien im Gesundheitswesen, findet die Idee großartig, aber der Zeitpunkt sei noch nicht reif. „Ich glaube nicht, dass sich klinische Studien in naher Zukunft ändern werden. Denn sie erfordern neben Gesundheitsdaten auch weitere Datenebenen, wie beispielsweise Genomsequenzen, Darmmikrobiomdaten und Umweltdaten.“

Laut Charles Fisher, Gründer von Unlearn.AI, einem Pionier dieser Technologie, gibt es bereits Lösungen für die Probleme des Datenschutzes und der Verzerrung. „Datenschutz ist einfach. Wir arbeiten ausschließlich mit bereits anonymisierten Daten.“

Im Hinblick auf Verzerrungen sagt er, dass das Problem zwar noch nicht vollständig gelöst sei, aber für die Studienergebnisse irrelevant sei. Da die Studien randomisiert seien, würden selbst mögliche Verzerrungen in den Daten die Ergebnisse nicht beeinflussen. Einige Experten widersprechen dieser Ansicht jedoch. Sie sagen:Da Sie eine reale Person mit einem Computermodell vergleichen, können sich Fehler in diesem Modell direkt auf die Ergebnisse auswirken.

Unlearn.AI arbeitet bereits mit Pharmaunternehmen zusammen, um klinische Studien für neurologische Erkrankungen wie Alzheimer, Parkinson und Multiple Sklerose zu konzipieren. Diese Krankheiten wurden als guter Ausgangspunkt gewählt, da hierzu mehr Daten vorliegen als zu anderen. Laut Fisher könnte die Methode, falls sie eines Tages auf alle Krankheiten angewendet werden kann, die Markteinführungszeit neuer Medikamente deutlich verkürzen.