Το δικό σας «ψηφιακό δίδυμο»; Η τελευταία τεχνολογία που θα αλλάξει τον έλεγχο ναρκωτικών (Ψηφιακό Δίδυμο)

Έχετε αναρωτηθεί ποτέ πόσο καιρό χρειάστηκε για να φτάσει στα χέρια σας το χάπι που πήρατε σήμερα το πρωί; Αρχικά, κάνουν εκτεταμένη έρευνα σε εργαστήρια. Στη συνέχεια, το δοκιμάζουν σε ζώα. Αλλά πριν εγκριθούν για χρήση σε ανθρώπους, πρέπει να το δοκιμάσουν σε ανθρώπους. Αυτό το ονομάζουμε κλινική δοκιμή. Είναι μια πολύ περίπλοκη και δαπανηρή διαδικασία.

Με απλά λόγια, τι είναι μια κλινική δοκιμή;

Με απλά λόγια, μια κλινική δοκιμή λειτουργεί ως εξής: Οι ερευνητές στρατολογούν ασθενείς με την ασθένεια στην οποία στοχεύει το νεοαναπτυγμένο φάρμακο. Αυτοί οι εθελοντές στη συνέχεια χωρίζονται τυχαία σε δύο ομάδες.

1. Στην πρώτη ομάδα δίνεται το νέο φάρμακο που θα δοκιμαστεί.

2. Στη δεύτερη ομάδα , την «Ομάδα Ελέγχου», χορηγείται ένα εικονικό φάρμακο (placebo) που δεν έχει δραστικό συστατικό και μοιάζει ακριβώς με το φάρμακο. Αυτό το ονομάζουμε «Εικονικό Φάρμακο».

Εάν, στο τέλος αυτής της δοκιμής, τα συμπτώματα όσων έλαβαν το νέο φάρμακο έχουν βελτιωθεί περισσότερο από εκείνα όσων έλαβαν το εικονικό φάρμακο, τότε αυτό αποδεικνύει ότι το νέο φάρμακο είναι αποτελεσματικό.

Μία από τις μεγαλύτερες προκλήσεις σε μια τέτοια δοκιμή είναι η εύρεση αρκετών ασθενών που είναι ακριβώς οι κατάλληλοι για τη δοκιμή. Μερικές φορές ακόμη και οι γιατροί δεν γνωρίζουν ποιες δοκιμές είναι κατάλληλες για τους ασθενείς τους. Επίσης, τα χαρακτηριστικά των ασθενών που θέλουν να συμμετάσχουν μπορεί να μην ταιριάζουν με τις απαιτήσεις της δοκιμής. Ωστόσο, η τεχνητή νοημοσύνη (ΤΝ) θα μπορούσε να κάνει αυτό το έργο πολύ πιο εύκολο.

Γνωρίστε το «Ψηφιακό σας Δίδυμο»

Φανταστείτε ότι έχετε το δικό σας μοντέλο υπολογιστή, δηλαδή ένα ψηφιακό αντίγραφο του εαυτού σας. Αυτό ονομάζεται «Ψηφιακό Δίδυμο». Αυτά είναι απλώς «Μοντέλα Υπολογιστών» που προσομοιώνουν ένα πραγματικό αντικείμενο ή σύστημα σε έναν υπολογιστή. Αλλά όταν τα βλέπουμε αριθμητικά, συμπεριφέρονται ακριβώς όπως το πραγματικό. Το καλύτερο παράδειγμα είναι όταν μια φιάλη οξυγόνου στο διαστημόπλοιο Apollo 13 εξερράγη, η NASA βοήθησε στην επισκευή της με ένα «Ψηφιακό Δίδυμο» του ίδιου διαστημοπλοίου που κατασκευάστηκε στη Γη.

Τώρα, οι επιστήμονες μπορούν να δημιουργήσουν ένα «Ψηφιακό Δίδυμο» ενός ανθρώπου, έχοντας στη διάθεσή τους αρκετά «δεδομένα». Αυτό χρησιμοποιεί μια τεχνολογία τεχνητής νοημοσύνης που ονομάζεται «Μηχανική Μάθηση». Με απλά λόγια, αυτό περιλαμβάνει την παροχή σε ένα πρόγραμμα υπολογιστή μιας μεγάλης ποσότητας δεδομένων και την αφήνοντάς το να μάθει από αυτά.

Τα ψηφιακά δίδυμα ασθενών δημιουργούνται μέσω της εκπαίδευσης αυτών των μοντέλων Μηχανικής Μάθησης χρησιμοποιώντας δεδομένα από προηγούμενες κλινικές δοκιμές και τα προσωπικά ιατρικά αρχεία κάθε ασθενούς. Το μοντέλο μπορεί στη συνέχεια να προβλέψει πώς θα αλλάξει η υγεία ενός ασθενούς κατά τη διάρκεια της δοκιμής εάν του χορηγηθεί εικονικό φάρμακο.Δηλαδή, δημιουργείται μια ομάδα ελέγχου που δημιουργείται από υπολογιστή (Προσομιμημένη Ομάδα Ελέγχου) για τον ίδιο ασθενή.

Ας δούμε τώρα πώς λειτουργεί αυτό. Ας υποθέσουμε ότι κάποιος που ονομάζεται «Σαμάντι» επιλέγεται να συμπεριληφθεί στην ομάδα που λαμβάνει ένα νέο φάρμακο. Το «Ψηφιακό Δίδυμο» του Σαμάντι, ένα υπολογιστικό μοντέλο, βρίσκεται στην ομάδα ελέγχου. Το μοντέλο προβλέπει τι θα συνέβαινε αν στον Σαμάντι δινόταν ένα «Εικονικό Φάρμακο» αντί για το πραγματικό φάρμακο. Τελικά, η διαφορά μεταξύ της πραγματικής απόκρισης του Σαμάντι στο φάρμακο και αυτού που το μοντέλο προέβλεψε ότι θα συνέβαινε αν έπαιρνε το «Εικονικό Φάρμακο» είναι ένα μέτρο του πόσο αποτελεσματικό είναι το φάρμακο για το Σαμάντι.

Ας δούμε αυτόν τον πίνακα για να δούμε ξεκάθαρα τα οφέλη από τη χρήση των «Ψηφιακών Διδύμων» αντί των παραδοσιακών ομάδων ελέγχου.

Παρόλο που αυτή η τεχνολογία είναι καλή, δεν υπάρχουν προβλήματα;

Αν και αυτή η τεχνολογία υπόσχεται πολλά για το μέλλον, δεν έχει ακόμη χρησιμοποιηθεί ευρέως. Μπορεί να υπάρχουν βάσιμοι λόγοι για αυτό. Όπως επισημαίνει ο Δρ. Daniel Neal, ειδικός στη «(Μηχανική Μάθηση)», αυτά τα μοντέλα βασίζονται σε μεγάλες ποσότητες δεδομένων. Επίσης, είναι πολύ δύσκολο να ληφθούν δεδομένα υψηλής ποιότητας από άτομα.

Ένα άλλο ζήτημα είναι οι σπάνιες, απροσδόκητες παρενέργειες που μπορεί να προκαλέσει ένα φάρμακο. Αυτές συχνά δεν καλύπτονται από το μοντέλο που έχει σχεδιαστεί για την ομάδα ελέγχου.

Αλλά ο μεγαλύτερος φόβος του Δρ. Νιλ είναι ότι αυτό το προγνωστικό μοντέλο βασίζεται στο «business as usual». Φανταστείτε ένα μεγάλο, απροσδόκητο γεγονός όπως η πανδημία COVID-19 που αλλάζει τη συμπεριφορά όλων και αρρωσταίνει τους ανθρώπους. «Τα μοντέλα ελέγχου δεν το λαμβάνουν αυτό υπόψη», λέει. Στη συνέχεια, λόγω αυτών των γεγονότων που η ομάδα ελέγχου δεν έλαβε υπόψη, τα τελικά αποτελέσματα του πειράματος θα μπορούσαν να είναι εντελώς διαφορετικά.

Μπορεί λοιπόν αυτό πραγματικά να χρησιμοποιηθεί; Τι επιφυλάσσει το μέλλον;

Ο Έρικ Τόπολ, ειδικός στη χρήση της ψηφιακής τεχνολογίας στην υγειονομική περίθαλψη, πιστεύει ότι η ιδέα είναι εξαιρετική, αλλά δεν είναι ακόμη η κατάλληλη στιγμή. «Δεν νομίζω ότι οι κλινικές δοκιμές θα αλλάξουν στο εγγύς μέλλον. Επειδή απαιτούν πολλαπλά επίπεδα δεδομένων, πέρα ​​από τα απλά αρχεία υγείας, όπως αλληλουχίες γονιδιώματος, μικροβίωμα του εντέρου, περιβαλλοντικά δεδομένα».

Σύμφωνα με τον Charles Fisher, ιδρυτή της Unlearn.AI, πρωτοπόρου σε αυτήν την τεχνολογία, υπάρχουν ήδη λύσεις στα προβλήματα της ιδιωτικότητας και της προκατάληψης των δεδομένων. «Η προστασία της ιδιωτικής ζωής είναι εύκολη υπόθεση. Δουλεύουμε μόνο με δεδομένα που έχουν ήδη ανωνυμοποιηθεί».

Όταν μιλάει για προκατάληψη, λέει ότι παρόλο που το ζήτημα δεν έχει επιλυθεί πλήρως, δεν είναι σχετικό με τα αποτελέσματα της μελέτης. Επειδή οι μελέτες είναι τυχαιοποιημένες, ακόμη και αν υπάρχει κάποια προκατάληψη στα δεδομένα, αυτό δεν επηρεάζει τα αποτελέσματα. Ωστόσο, ορισμένοι ειδικοί διαφωνούν με αυτήν την ιδέα. Λένε,Επειδή συγκρίνετε ένα πραγματικό άτομο με ένα μοντέλο υπολογιστή, εάν υπάρχει κάποιο σφάλμα σε αυτό το μοντέλο, αυτό μπορεί να επηρεάσει άμεσα τα αποτελέσματα.

Ωστόσο, η Unlearn.AI συνεργάζεται ήδη με φαρμακευτικές εταιρείες για τον σχεδιασμό κλινικών δοκιμών για νευρολογικές ασθένειες όπως η νόσος Αλτσχάιμερ, η νόσος Πάρκινσον και η σκλήρυνση κατά πλάκας. Επέλεξαν αυτές τις ασθένειες ως ένα καλό σημείο εκκίνησης επειδή έχουν περισσότερα δεδομένα από άλλες. Ο Fisher λέει ότι αν η μέθοδος μπορεί κάποια μέρα να εφαρμοστεί σε όλες τις ασθένειες, θα μπορούσε να μειώσει σημαντικά τον χρόνο που απαιτείται για να κυκλοφορήσουν στην αγορά νέα φάρμακα.