Oletko koskaan miettinyt, kuinka kauan kesti, että tänä aamuna ottamasi pilleri päätyi käsiisi? Ensin tehdään laaja tutkimus laboratorioissa. Sitten sitä testataan eläimillä. Mutta ennen kuin ne voidaan hyväksyä käytettäväksi ihmisillä, ne on testattava ihmisillä. Tätä kutsutaan kliiniseksi tutkimukseksi. Se on erittäin monimutkainen ja kallis prosessi.
Yksinkertaisesti sanottuna, mitä kliininen tutkimus on?
Yksinkertaisesti sanottuna kliininen tutkimus toimii näin: Tutkijat rekrytoivat potilaita, joilla on sairaus, johon uusi lääke on tarkoitettu. Nämä vapaaehtoiset jaetaan sitten satunnaisesti kahteen ryhmään.
1. Ensimmäiselle ryhmälle annetaan testattava uusi lääke.
2. Toinen ryhmä , "kontrolliryhmä", saa lumelääkettä, jossa ei ole vaikuttavaa ainetta ja joka näyttää täsmälleen samalta kuin lääke. Kutsumme tätä "lumelääkkeeksi".
Jos tämän tutkimuksen lopussa uutta lääkettä ottavien oireet ovat parantuneet enemmän kuin lumelääkettä ottavien, se osoittaa, että uusi lääke on tehokas.
Yksi suurimmista haasteista tällaisessa tutkimuksessa on löytää riittävästi potilaita, jotka sopivat juuri oikeaan paikkaan. Joskus edes lääkärit eivät tiedä, mitkä tutkimukset sopivat heidän potilailleen. Myöskään osallistumista haluavien potilaiden ominaisuudet eivät välttämättä vastaa tutkimuksen vaatimuksia. Tekoäly (AI) voisi kuitenkin helpottaa tätä tehtävää huomattavasti.
Tapaa "digitaalinen kaksosesi"
Kuvittele, että sinulla on oma tietokonemallisi, eli digitaalinen kopio itsestäsi. Tätä kutsutaan "digitaaliseksi kaksoseksi". Nämä ovat vain "tietokonemalleja", jotka simuloivat reaalimaailman esinettä tai järjestelmää tietokoneella. Mutta numeerisesti tarkasteltuna ne käyttäytyvät täsmälleen samalla tavalla kuin oikea. Paras esimerkki on Apollo 13 -luotaimen happisäiliön räjähdys, jolloin NASA auttoi korjaamaan sen Maahan rakennetulla "digitaalisella kaksosella", joka on samanlainen kuin Maassa.
Nyt tiedemiehet voivat luoda ihmisen "digitaalisen kaksosen", kun heille annetaan riittävästi "dataa". Tämä hyödyntää tekoälyteknologiaa nimeltä "koneoppiminen". Yksinkertaisesti sanottuna tämä tarkoittaa, että tietokoneohjelmalle annetaan suuri määrä dataa ja sen annetaan oppia siitä.
Potilaiden digitaaliset kaksoset luodaan kouluttamalla näitä koneoppimismalleja käyttämällä aiempien kliinisten tutkimusten tietoja ja kunkin potilaan henkilökohtaisia sairauskertomuksia. Malli voi sitten ennustaa, miten potilaan terveydentila muuttuu tutkimuksen aikana, jos hänelle annetaan lumelääkettä.Eli samalle potilaalle luodaan tietokoneella luotu kontrolliryhmä (simuloitu kontrolliryhmä).
Katsotaanpa nyt, miten tämä toimii. Oletetaan, että joku nimeltä "Samadhi" valitaan ryhmään, joka saa uuden lääkkeen. Samadhin "digitaalinen kaksonen", tietokoneella tehty malli, on kontrolliryhmässä. Malli ennustaa, mitä tapahtuisi, jos Samadhille annettaisiin "lumelääkettä" varsinaisen lääkkeen sijaan. Viime kädessä ero Samadhin todellisen vasteen lääkkeelle ja mallin ennustaman lumelääkkeen ottamisen välillä mittaa lääkkeen tehoa Samadhille.
Yksi tämän menetelmän suurimmista eduista on, että lähes kaikilla kliiniseen tutkimukseen osallistuvilla on mahdollisuus saada uusi lääke, koska "lumelääke" annetaan heidän digitaaliselle kaksoselle.
Tarkastellaan tätä taulukkoa nähdäksemme selvästi digitaalisten kaksosten käytön edut perinteisten ohjaustiimien sijaan.
| Ominaisuus | Perinteinen menetelmä | Digitaalinen kaksonen -menetelmä |
|---|---|---|
| Kontrolliryhmä | Koostuu oikeista ihmisistä. He saavat (lumelääkettä). | Koostuu tietokonemalleista (digitaaliset kaksoset). |
| Etu potilaille | Lumelääkkeen saamisen todennäköisyys on 50 %. Se tarkoittaa, että voit ohittaa uuden lääkkeen. | Monilla ihmisillä on mahdollisuus kokeilla oikeaa lääkettä. |
| Tarvittavien vapaaehtoisten määrä | Lisää väkeä tarvitaan (molempiin joukkueisiin). | Testi voidaan suorittaa pienellä joukolla ihmisiä. |
| Aika ja kustannukset | Hyvin korkea. | Voidaan vähentää merkittävästi. |
Vaikka tämä teknologia on hyvää, eikö siinä ole ongelmia?
Vaikka tällä teknologialla on suuria tulevaisuuden lupauksia, sitä ei ole vielä käytetty laajalti. Tähän voi olla hyviä syitä. Kuten koneoppimisen asiantuntija, tohtori Daniel Neal, huomauttaa, nämä mallit perustuvat suuriin tietomääriin. Lisäksi yksilöiltä on erittäin vaikea saada korkealaatuista dataa .
"Ihmiset raportoivat usein itse tietoja esimerkiksi ruokavaliostaan ja liikuntatottumuksistaan. Ihmiset eivät aina kerro totuutta. Heillä on taipumus liioitella liikunnan määrää ja aliarvioida syömänsä roskaruoan määrää."
Toinen ongelma on lääkkeen aiheuttamat harvinaiset ja odottamattomat sivuvaikutukset . Näitä ei usein kata kontrolliryhmälle suunniteltu malli.
Mutta tohtori Nealin suurin pelko on, että tämä ennustusmalli perustuu "tavanomaiseen toimintaan". Kuvittele suuri, odottamaton tapahtuma, kuten COVID-19-pandemia, joka muuttaa kaikkien käyttäytymistä ja tekee ihmiset sairaiksi. "Kontrollimallit eivät ota tätä huomioon", hän sanoo. Sitten, koska nämä tapahtumat, joita kontrolliryhmä ei ottanut huomioon, aiheuttavat kokeen lopputulokset täysin erilaiset.
Voidaanko tätä todella käyttää? Mitä tulevaisuus tuo tullessaan?
Digitaalisen teknologian käytön terveydenhuollossa asiantuntija Eric Topol pitää ideaa loistavana, mutta aika ei ole vielä kypsä. "En usko, että kliiniset tutkimukset muuttuvat lähitulevaisuudessa. Koska ne vaativat useita datakerroksia pelkkien terveystietojen lisäksi, kuten genomisekvenssejä, suoliston mikrobiomia ja ympäristötietoja."
Teknologian edelläkävijän, Unlearn.AI:n perustajan Charles Fisherin mukaan tietosuojan ja puolueellisuuden ongelmiin on jo olemassa ratkaisuja. "Yksityisyys on helppoa. Työskentelemme vain jo anonymisoidun datan kanssa."
Puhuessaan harhasta hän sanoo, että vaikka asiaa ei ole täysin ratkaistu, sillä ei ole merkitystä tutkimuksen tulosten kannalta. Koska tutkimukset ovat satunnaistettuja, vaikka tiedoissa olisikin jonkin verran harhaa, se ei vaikuta tuloksiin. Jotkut asiantuntijat ovat kuitenkin eri mieltä tästä ajatuksesta. He sanovat,Koska vertaat oikeaa ihmistä tietokoneella luotuun malliin, jos mallissa on virheitä, ne voivat vaikuttaa suoraan tuloksiin.
Unlearn.AI tekee kuitenkin jo yhteistyötä lääkeyritysten kanssa suunnitellakseen kliinisiä tutkimuksia neurologisille sairauksille, kuten Alzheimerin taudille, Parkinsonin taudille ja multippeliskleroosille. He valitsivat nämä sairaudet hyväksi lähtökohdaksi, koska niistä on enemmän dataa kuin muista. Fisherin mukaan jos menetelmää voidaan jonain päivänä soveltaa kaikkiin sairauksiin, se voisi merkittävästi lyhentää uusien lääkkeiden markkinoille tulon aikaa.
Viestin kotiin vietäväksi
- Digitaalinen kaksonen on tietokoneella luotu malli oikeasta potilaasta, jota käytetään uusien lääkkeiden kliinisissä tutkimuksissa.
- Tämä mahdollistaa näiden digitaalisten mallien käytön oikeiden ihmisten sijaan kontrolliryhmässä.
- Tämän menetelmän merkittävä etu on, että useammalla kokeeseen osallistuvalla on mahdollisuus saada varsinaista testattavaa lääkettä.
- Haasteita on kuitenkin edelleen, kuten korkealaatuisen datan hankkimisen vaikeus ja kyvyttömyys mallintaa odottamattomia tapahtumia.
- Vaikka tämä teknologia on lupaava tulevaisuuden lääketiede, se on vielä lapsenkengissään. Jos sinulla on huolenaiheita tai epäilyksiä, on tärkeää keskustella lääkärisi kanssa .
💬 Comments (0)
Kommentteja ei ole vielä lähetetty. Lisää kommenttisi tänne ensimmäistä kertaa.
Lisää kommenttisi