Sinu enda "digitaalne kaksik"? Uusim tehnoloogia, mis muudab uimastitestimist (digitaalne kaksik)

Kas olete kunagi mõelnud, kui kaua aega kulus, et see tablett, mille te täna hommikul võtsite, teie kätte jõuaks? Esmalt teevad nad laborites ulatuslikke uuringuid. Seejärel testivad nad seda loomade peal. Aga enne, kui need inimestele kasutamiseks heaks kiidetakse, tuleb neid inimestel testida. Seda nimetatakse kliiniliseks uuringuks. See on väga keeruline ja kulukas protsess.

Lihtsamalt öeldes, mis on kliiniline uuring?

Lihtsamalt öeldes toimib kliiniline uuring järgmiselt: teadlased värbavad patsiente, kellel on haigus, millele äsja väljatöötatud ravim on suunatud. Seejärel jagatakse need vabatahtlikud juhuslikult kahte rühma.

1. Esimesele rühmale antakse uus testitav ravim.

2. Teine rühm , „kontrollrühm“, saab platseebot, millel puudub toimeaine ja mis näeb välja täpselt nagu ravim. Me nimetame seda „platseeboks“.

Kui selle uuringu lõpuks on uut ravimit võtnud patsientide sümptomid paranenud rohkem kui platseebot võtnud patsientidel, siis see tõestab, et uus ravim on efektiivne.

Üks suurimaid väljakutseid sellises uuringus on leida piisavalt patsiente, kes sobivad uuringusse täpselt. Mõnikord ei tea isegi arstid, millised uuringud sobivad nende patsientidele. Samuti ei pruugi osaleda soovivate patsientide omadused vastata uuringu nõuetele. Tehisintellekt (AI) võiks seda ülesannet aga palju lihtsamaks muuta.

Tutvu oma "digitaalse kaksikuga"

Kujutage ette, et teil on oma arvutimudel, see tähendab teie enda digitaalne koopia. Seda nimetatakse "digitaalseks kaksikuks". Need on lihtsalt "arvutimudelid", mis simuleerivad arvutis reaalset objekti või süsteemi. Numbriliselt vaadatuna käituvad nad aga täpselt nagu päris asi. Parim näide on see, kui Apollo 13 kosmoselaeva hapnikuballoon plahvatas, ja NASA aitas seda parandada Maal ehitatud sama kosmoselaeva "digitaalse kaksikuga".

Nüüd saavad teadlased luua inimese „digitaalse kaksiku“, kui neil on piisavalt „andmeid“. See kasutab tehisintellekti tehnoloogiat, mida nimetatakse masinõppeks. Lihtsamalt öeldes tähendab see arvutiprogrammile suure hulga andmete andmist ja selle õppimise võimaldamist.

Patsientide digitaalsed kaksikud luuakse nende masinõppemudelite treenimise teel, kasutades varasemate kliiniliste uuringute andmeid ja iga patsiendi isiklikke haiguslugusid. Seejärel saab mudel ennustada, kuidas patsiendi tervis uuringu jooksul muutub, kui talle antakse platseebot.See tähendab, et sama patsiendi jaoks luuakse arvuti abil loodud kontrollrühm (simuleeritud kontrollrühm).

Vaatame nüüd, kuidas see toimib. Oletame, et keegi nimega "Samadhi" valitakse gruppi, kes saab uut ravimit. Kontrollgrupis on Samadhi "digitaalne kaksik", arvutimudel. Mudel ennustab, mis juhtuks, kui Samadhile manustataks ravimi asemel "platseebot". Lõppkokkuvõttes on ravimi efektiivsuse näitajaks erinevus Samadhi tegeliku ravimireaktsiooni ja mudeli ennustatud platseeboreaktsiooni vahel .

Vaatame seda tabelit, et näha selgelt „digitaalsete kaksikute” kasutamise eeliseid traditsiooniliste juhtimismeeskondade asemel.

Kuigi see tehnoloogia on hea, kas pole probleeme?

Kuigi see tehnoloogia on tulevikuks paljulubav, pole seda veel laialdaselt kasutatud. Sellel võivad olla head põhjused. Nagu dr Daniel Neal, masinõppe ekspert, juhib tähelepanu, tuginevad need mudelid suurele hulgale andmetele. Samuti on väga raske saada üksikisikutelt kvaliteetseid andmeid .

Teine probleem on ravimi haruldased ja ootamatud kõrvaltoimed, mida see võib põhjustada. Kontrollgrupi jaoks loodud mudel neid sageli ei kata.

Kuid dr Neali suurim hirm on see, et see ennustusmudel põhineb „tavapärasel äritegevusel“. Kujutage ette suurt ja ootamatut sündmust nagu COVID-19 pandeemia, mis muudab kõigi käitumist ja teeb inimesed haigeks. „Kontrollmudelid ei võta seda arvesse,“ ütleb ta. Seejärel, kuna kontrollrühm ei võtnud neid sündmusi arvesse, võivad katse lõpptulemused olla täiesti erinevad.

Kas seda saab siis tõesti kasutada? Mis tulevik toob?

Tervishoiu digitehnoloogia kasutamise ekspert Eric Topol arvab, et idee on suurepärane, kuid aeg pole veel õige. „Ma ei usu, et kliinilised uuringud lähitulevikus muutuvad. Sest see nõuab lisaks terviseandmetele mitut andmekihti, näiteks genoomijärjestusi, soolestiku mikrobioomi ja keskkonnaandmeid.“

Selle tehnoloogia teerajaja, Unlearn.AI asutaja Charles Fisheri sõnul on andmete privaatsuse ja eelarvamuste probleemidele juba lahendused olemas. „Privaatsus on lihtne. Me töötame ainult andmetega, mis on juba anonümiseeritud.“

Eelarvamusest rääkides ütleb ta, et kuigi küsimus pole täielikult lahendatud, ei ole see uuringu tulemuste seisukohalt oluline. Kuna uuringud on randomiseeritud, siis isegi kui andmetes esineb teatav eelarvamus, ei mõjuta see tulemusi. Mõned eksperdid aga selle ideega ei nõustu. Nad ütlevad,Kuna võrdlete päris inimest arvutimudeliga, siis kui selles mudelis on vigu, võib see tulemusi otseselt mõjutada.

Unlearn.AI teeb aga juba koostööd ravimifirmadega, et kavandada kliinilisi uuringuid selliste neuroloogiliste haiguste nagu Alzheimeri tõbi, Parkinsoni tõbi ja sclerosis multiplex raviks. Nad valisid need haigused heaks alguspunktiks, kuna neil on rohkem andmeid kui teistel. Fisheri sõnul, kui meetodit saab ühel päeval rakendada kõigi haiguste puhul, võib see oluliselt lühendada uute ravimite turuletuleku aega.