«دوقلوی دیجیتال» خودتان؟ جدیدترین فناوری که آزمایش دارو را تغییر خواهد داد (دوقلوی دیجیتال)

آیا تا به حال فکر کرده‌اید که چقدر طول کشیده تا آن قرصی که امروز صبح مصرف کردید به دستتان برسد؟ ابتدا تحقیقات گسترده‌ای در آزمایشگاه‌ها انجام می‌دهند. سپس آن را روی حیوانات آزمایش می‌کنند. اما قبل از اینکه بتوانند برای استفاده در انسان تأیید شوند، باید آن را روی انسان آزمایش کنند. این همان چیزی است که ما آن را کارآزمایی بالینی می‌نامیم. این یک فرآیند بسیار پیچیده و گران است.

به عبارت ساده، کارآزمایی بالینی چیست؟

به زبان ساده، یک کارآزمایی بالینی به این صورت عمل می‌کند: محققان بیمارانی را که بیماری مورد نظرشان با داروی تازه توسعه‌یافته هدف قرار گرفته است، انتخاب می‌کنند. سپس این داوطلبان به صورت تصادفی به دو گروه تقسیم می‌شوند.

۱. به گروه اول داروی جدید برای آزمایش داده می‌شود.

۲. به گروه دوم ، «گروه کنترل»، دارونمایی داده می‌شود که هیچ ماده‌ی مؤثری ندارد و دقیقاً شبیه دارو است. ما به این گروه «دارونما» می‌گوییم.

اگر در پایان این آزمایش، علائم افرادی که داروی جدید مصرف کرده‌اند، بیشتر از افرادی که دارونما مصرف کرده‌اند، بهبود یافته باشد، این ثابت می‌کند که داروی جدید مؤثر است.

یکی از بزرگترین چالش‌ها در چنین آزمایشی، یافتن تعداد کافی بیمار است که دقیقاً مناسب برای آزمایش باشند. گاهی اوقات حتی پزشکان نمی‌دانند کدام آزمایش‌ها برای بیمارانشان مناسب است. همچنین، ویژگی‌های بیمارانی که می‌خواهند در آزمایش شرکت کنند ممکن است با الزامات آزمایش مطابقت نداشته باشد. با این حال، هوش مصنوعی (AI) می‌تواند این کار را بسیار آسان‌تر کند.

با «دوقلوی دیجیتال» خود آشنا شوید

تصور کنید که شما مدل کامپیوتری خودتان را دارید، یعنی یک کپی دیجیتالی از خودتان. این همان چیزی است که «دوقلوی دیجیتال» نامیده می‌شود. اینها فقط «مدل‌های کامپیوتری» هستند که یک شیء یا سیستم دنیای واقعی را در کامپیوتر شبیه‌سازی می‌کنند. اما وقتی به صورت عددی مشاهده می‌شوند، دقیقاً مانند چیز واقعی رفتار می‌کنند. بهترین مثال زمانی است که یک مخزن اکسیژن در فضاپیمای آپولو ۱۳ منفجر شد، ناسا با یک «دوقلوی دیجیتال» از همان فضاپیما که روی زمین ساخته شده بود، به تعمیر آن کمک کرد.

اکنون، دانشمندان می‌توانند با در اختیار داشتن «داده‌های» کافی، یک «دوقلوی دیجیتال» از یک انسان بسازند. این کار از یک فناوری هوش مصنوعی به نام «یادگیری ماشین» استفاده می‌کند. به عبارت ساده، این شامل دادن حجم زیادی از داده‌ها به یک برنامه کامپیوتری و اجازه دادن به آن برای یادگیری از آن است.

دوقلوهای دیجیتال بیماران با آموزش این مدل‌های یادگیری ماشینی با استفاده از داده‌های آزمایش‌های بالینی قبلی و سوابق پزشکی شخصی هر بیمار ایجاد می‌شوند. سپس این مدل می‌تواند پیش‌بینی کند که اگر به بیمار دارونما داده شود، سلامت او در طول آزمایش چگونه تغییر خواهد کرد. این بدان معناست که یک گروه کنترل تولید شده توسط رایانه برای آن بیمار ایجاد می‌شود.

حالا بیایید ببینیم این چگونه کار می‌کند. فرض کنید شخصی به نام «سمادی» برای عضویت در گروهی که داروی جدیدی دریافت می‌کنند انتخاب می‌شود. «دوقلوی دیجیتال» سمادی، یک مدل کامپیوتری، در گروه کنترل قرار دارد. این مدل پیش‌بینی می‌کند که اگر به سمادی به جای داروی واقعی، «دارونما» داده شود، چه اتفاقی می‌افتد. در نهایت، تفاوت بین پاسخ واقعی سمادی به دارو و آنچه مدل پیش‌بینی کرده است که اگر او «دارونما» مصرف کند، معیاری برای میزان اثربخشی دارو برای سمادی است.

بیایید به این جدول نگاهی بیندازیم تا مزایای استفاده از «دوقلوهای دیجیتال» به جای تیم‌های کنترل سنتی را به وضوح ببینیم.

حتی با اینکه این فناوری خوب است، آیا مشکلاتی هم ندارد؟

اگرچه این فناوری نویدبخش آینده‌ای روشن است، اما هنوز به‌طور گسترده مورد استفاده قرار نگرفته است. ممکن است دلایل خوبی برای این امر وجود داشته باشد. همانطور که دکتر دنیل نیل، متخصص «یادگیری ماشینی» اشاره می‌کند، این مدل‌ها به حجم زیادی از داده‌ها متکی هستند. همچنین، به دست آوردن داده‌های باکیفیت از افراد بسیار دشوار است.

مسئله دیگر عوارض جانبی نادر و غیرمنتظره‌ای است که یک دارو می‌تواند ایجاد کند. این عوارض اغلب توسط مدل طراحی‌شده برای گروه کنترل پوشش داده نمی‌شوند.

اما بزرگترین ترس دکتر نیل این است که این مدل پیش‌بینی مبتنی بر «وضعیت عادی» باشد. یک رویداد بزرگ و غیرمنتظره مانند بیماری همه‌گیر کووید-۱۹ را تصور کنید که رفتار همه را تغییر می‌دهد و مردم را بیمار می‌کند. او می‌گوید: «مدل‌های کنترل این را در نظر نمی‌گیرند.» سپس، به دلیل این رویدادهایی که گروه کنترل در نظر نگرفته‌اند، نتایج نهایی آزمایش می‌تواند کاملاً متفاوت باشد.

آیا واقعاً می‌توان از این استفاده کرد؟ آینده چه چیزی را در بر خواهد داشت؟

اریک توپول، متخصص استفاده از فناوری دیجیتال در مراقبت‌های بهداشتی، معتقد است که این ایده عالی است، اما هنوز زمان مناسبی برای آن نرسیده است. «فکر نمی‌کنم آزمایش‌های بالینی در آینده نزدیک تغییر کنند. زیرا به لایه‌های مختلفی از داده‌ها، فراتر از سوابق سلامت، مانند توالی ژنوم، میکروبیوم روده، داده‌های محیطی نیاز دارد.»

به گفته چارلز فیشر، بنیانگذار Unlearn.AI، یکی از پیشگامان این فناوری، در حال حاضر راه‌حل‌هایی برای مشکلات حریم خصوصی داده‌ها و تعصب وجود دارد. «حریم خصوصی آسان است. ما فقط با داده‌هایی کار می‌کنیم که قبلاً ناشناس شده‌اند.»

وقتی صحبت از سوگیری می‌شود، او می‌گوید اگرچه این مسئله به طور کامل حل نشده است، اما به نتایج مطالعه ربطی ندارد. از آنجا که مطالعات تصادفی هستند، هرگونه سوگیری در داده‌ها نباید بر نتایج تأثیر بگذارد. اما برخی از کارشناسان مخالفند. آنها می‌گویند از آنجا که شما یک فرد واقعی را با یک مدل کامپیوتری مقایسه می‌کنید، هرگونه خطایی در مدل می‌تواند مستقیماً بر نتایج تأثیر بگذارد .

با این حال، Unlearn.AI در حال حاضر با شرکت‌های داروسازی برای طراحی آزمایش‌های بالینی برای بیماری‌های عصبی مانند آلزایمر، پارکینسون و ام‌اس همکاری می‌کند. آنها این بیماری‌ها را به عنوان نقطه شروع خوبی انتخاب کردند زیرا داده‌های بیشتری نسبت به سایرین دارند. فیشر می‌گوید اگر این روش روزی بتواند برای همه بیماری‌ها اعمال شود، می‌تواند زمان لازم برای ورود داروهای جدید به بازار را به میزان قابل توجهی کاهش دهد.