Via propra "cifereca ĝemelo"? La plej nova teknologio, kiu ŝanĝos drogtestadon (Cifereca ĝemelo)

Ĉu vi iam scivolis, kiom longe daŭris por ke tiu pilolo, kiun vi prenis ĉi-matene, atingu viajn manojn? Unue, ili faras ampleksan esploradon en laboratorioj. Poste ili testas ĝin sur bestoj. Sed antaŭ ol ili povas esti aprobitaj por uzo ĉe homoj, ili devas testi ĝin sur homoj. Jen kion ni nomas klinika provo. Ĝi estas tre komplika kaj multekosta procezo.

Simple dirite, kio estas klinika testo?

Simple dirite, klinika testo funkcias jene: Esploristoj rekrutas pacientojn kun la malsano, kiun la nove evoluigita medikamento celas. Ĉi tiuj volontuloj estas poste hazarde dividitaj en du grupojn.

1. La unua grupo ricevas la novan medikamenton por esti testita.

2. La dua grupo , la "Kontrolgrupo", ricevas placebon, kiu ne havas aktivan ingrediencon kaj aspektas ekzakte kiel la medikamento. Ni nomas ĉi tion "Placebo".

Se, ĉe la fino de ĉi tiu provo, la simptomoj de tiuj, kiuj prenis la novan medikamenton, pliboniĝis ol tiuj, kiuj prenis la placebon, tiam tio pruvas, ke la nova medikamento estas efika.

Unu el la plej grandaj defioj en tia studo estas trovi sufiĉe da pacientoj, kiuj ĝuste taŭgas por la studo. Iafoje eĉ kuracistoj ne scias, kiuj studoj taŭgas por siaj pacientoj. Ankaŭ, la karakterizaĵoj de la pacientoj, kiuj volas partopreni, eble ne kongruas kun la postuloj de la studo. Tamen, artefarita inteligenteco (AI) povus multe faciligi ĉi tiun taskon.

Renkontu vian "Ciferecan Ĝemelon"

Imagu, ke vi havas vian propran komputilan modelon, tio estas, ciferecan kopion de vi mem. Tio nomiĝas "Cifereca Ĝemelo". Ĉi tiuj estas nur "Komputilaj Modeloj", kiuj simulas realmondan objekton aŭ sistemon sur komputilo. Sed kiam rigardataj nombre, ili kondutas ekzakte kiel la realaĵo. La plej bona ekzemplo estas kiam oksigena tanko sur la kosmoŝipo Apollo 13 eksplodis, NASA helpis ripari ĝin per "Cifereca Ĝemelo" de la sama kosmoŝipo konstruita sur la Tero.

Nun, sciencistoj povas krei "Ciferecan Ĝemelon" de homo, se ili ricevas sufiĉe da "datumoj". Tio uzas artefaritinteligentecan teknologion nomatan "Maŝinlernado". Simple dirite, tio implicas doni al komputila programo grandan kvanton da datumoj kaj lasi ĝin lerni de ili.

Ciferecaj ĝemeloj de pacientoj estas kreitaj per trejnado de ĉi tiuj Maŝinlernadaj modeloj uzante datumojn de antaŭaj klinikaj provoj kaj la personajn medicinajn dosierojn de ĉiu paciento. La modelo tiam povas antaŭdiri kiel la sano de paciento ŝanĝiĝos dum la provo se ili ricevos placebon.Tio estas, komputile generita kontrolgrupo (Simulita Kontrolgrupo) estas kreita por tiu sama paciento.

Nun ni vidu kiel tio funkcias. Ni supozu, ke iu nomata "Samadhi" estas elektita por esti en la grupo, kiu ricevas novan medikamenton. La "Cifereca Ĝemelo" de Samadhi, komputila modelo, estas en la kontrolgrupo. La modelo antaŭdiras, kio okazus, se al Samadhi oni donus "Placebon" anstataŭ la efektivan medikamenton. Fine, la diferenco inter la efektiva respondo de Samadhi al la medikamento kaj tio, kion la modelo antaŭdiris, se li prenus la "Placebon", estas mezuro de kiom efika estas la medikamento por Samadhi.

Ni rigardu ĉi tiun tabelon por klare vidi la avantaĝojn de uzado de "Ciferecaj Ĝemeloj" anstataŭ tradiciaj kontrolteamoj.

Kvankam ĉi tiu teknologio estas bona, ĉu ne estas problemoj?

Kvankam ĉi tiu teknologio havas grandan promeson por la estonteco, ĝi ankoraŭ ne estas vaste uzata. Povas esti bonaj kialoj por tio. Kiel atentigas D-ro Daniel Neal, fakulo pri "(Maŝinlernado)", ĉi tiuj modeloj dependas de grandaj kvantoj da datumoj. Ankaŭ, estas tre malfacile akiri altkvalitajn datumojn de individuoj.

Alia problemo estas la maloftaj, neatenditaj kromefikoj , kiujn medikamento povas kaŭzi. Tiuj ofte ne estas kovritaj de la modelo desegnita por la kontrolgrupo.

Sed la plej granda timo de D-ro Neal estas, ke ĉi tiu prognoza modelo baziĝas sur "kutima afero". Imagu grandan, neatenditan eventon kiel la COVID-19-pandemio, kiu ŝanĝas ĉies konduton kaj malsanigas homojn. "Kontrolmodeloj ne konsideras ĉi tion," li diras. Tiam, pro ĉi tiuj eventoj, kiujn la kontrolgrupo ne konsideris, la finaj rezultoj de la eksperimento povus esti tute malsamaj.

Do ĉu ĉi tio vere povas esti uzata? Kion la estonteco rezervas?

Eric Topol, fakulo pri la uzo de cifereca teknologio en sanservo, opinias, ke la ideo estas bonega, sed la tempo ankoraŭ ne estas ĝusta. "Mi ne pensas, ke klinikaj provoj ŝanĝiĝos en la proksima estonteco. Ĉar ĝi postulas plurajn tavolojn de datumoj, preter nur sanhistorioj, kiel ekzemple genomaj sekvencoj, intesta mikrobiomo, mediaj datumoj."

Laŭ Charles Fisher, fondinto de Unlearn.AI, pioniro en ĉi tiu teknologio, jam ekzistas solvoj al la problemoj de datumprivateco kaj antaŭjuĝo. "Privateco estas facila. Ni laboras nur kun datumoj, kiuj jam estas anonimigitaj."

Parolante pri biaso, li diras, ke kvankam la problemo ne estas tute solvita, ĝi ne rilatas al la rezultoj de la studo. Ĉar la studoj estas hazardigitaj, eĉ se ekzistas iom da biaso en la datumoj, ĝi ne influas la rezultojn. Tamen, iuj fakuloj malkonsentas kun ĉi tiu ideo. Ili diras,Ĉar vi komparas realan homon kun komputila modelo, se estas ia eraro en tiu modelo, ĝi povas rekte influi la rezultojn.

Tamen, Unlearn.AI jam kunlaboras kun farmaciaj kompanioj por desegni klinikajn provojn por neŭrologiaj malsanoj kiel Alzheimer-malsano, Parkinson-malsano kaj multloka sklerozo. Ili elektis ĉi tiujn malsanojn kiel bonan deirpunkton ĉar ili havas pli da datumoj ol aliaj. Fisher diras, ke se la metodo iam povus esti aplikita al ĉiuj malsanoj, ĝi povus signife redukti la tempon necesan por ke novaj medikamentoj aperu sur la merkaton.