O teu propio "xemelgo dixital"? A última tecnoloxía que cambiará as probas de drogas (xemelgo dixital)

Algunha vez te preguntaches canto tempo tardou en chegar ás túas mans esa pílula que tomaches esta mañá? Primeiro, fan unha investigación exhaustiva en laboratorios. Despois, próbanse en animais. Pero antes de que poidan ser aprobados para o seu uso en humanos, teñen que probalos en humanos. Isto é o que chamamos un ensaio clínico. É un proceso moi complicado e caro.

En poucas palabras, que é un ensaio clínico?

En termos sinxelos, un ensaio clínico funciona así: os investigadores recrutan pacientes coa enfermidade á que se dirixe o fármaco recentemente desenvolvido. Estes voluntarios divídense entón ao chou en dous grupos.

1. Ao primeiro grupo entrégaselle o novo fármaco que se vai probar.

2. Ao segundo grupo , o «grupo de control», adminístraselle un placebo que non ten ingrediente activo e ten exactamente o mesmo aspecto que o fármaco. A isto chámaselle «placebo».

Se, ao final deste ensaio, os síntomas dos que tomaron o novo fármaco melloraron máis que os dos que tomaron o placebo, entón isto demostra que o novo fármaco é eficaz.

Un dos maiores desafíos nun ensaio deste tipo é atopar suficientes pacientes que sexan exactamente os axeitados para o ensaio. Ás veces nin sequera os médicos saben que ensaios son axeitados para os seus pacientes. Ademais, as características dos pacientes que queren participar poden non coincidir cos requisitos do ensaio. Non obstante, a intelixencia artificial (IA) podería facilitar moito esta tarefa.

Coñece o teu "xemelgo dixital"

Imaxina que tes o teu propio modelo informático, é dicir, unha copia dixital de ti mesmo. Iso é o que se chama un "xemelgo dixital". Estes son simplemente "modelos informáticos" que simulan un obxecto ou sistema do mundo real nun ordenador. Pero cando se ven numericamente, compórtanse exactamente igual que o real. O mellor exemplo é cando explotou un tanque de osíxeno da nave espacial Apollo 13, a NASA axudou a reparalo cun "xemelgo dixital" da mesma nave espacial construído na Terra.

Agora, os científicos poden crear un "xemelgo dixital" dun ser humano, se se lles proporcionan suficientes "datos". Isto emprega unha tecnoloxía de intelixencia artificial chamada "aprendizaxe automática". En poucas palabras, isto implica darlle a un programa informático unha gran cantidade de datos e deixalo aprender deles.

Os xemelgos dixitais de pacientes créanse adestrando estes modelos de aprendizaxe automática utilizando datos de ensaios clínicos previos e os rexistros médicos persoais de cada paciente. O modelo pode entón predicir como cambiará a saúde dun paciente ao longo do ensaio se se lle administra un placebo.É dicir, créase un grupo de control xerado por ordenador (Grupo de Control Simulado) para ese mesmo paciente.

Agora vexamos como funciona isto. Digamos que alguén chamado "Samadhi" é seleccionado para estar no grupo que recibe un novo fármaco. O "xemelgo dixital" de Samadhi, un modelo informático, está no grupo de control. O modelo predí que pasaría se a Samadhi se lle dese un "placebo" en lugar do fármaco real. En última instancia, a diferenza entre a resposta real de Samadhi ao fármaco e o que o modelo predixo que pasaría se tomase o "placebo" é unha medida de como de eficaz é o fármaco para Samadhi.

Vexamos esta táboa para ver claramente as vantaxes de usar "xemelgos dixitais" en lugar de equipos de control tradicionais.

Aínda que esta tecnoloxía é boa, non hai problemas?

Aínda que esta tecnoloxía é moi prometedora para o futuro, aínda non se empregou amplamente. Pode haber boas razóns para isto. Como sinala o doutor Daniel Neal, experto en "(aprendizaxe automática)", estes modelos baséanse en grandes cantidades de datos. Ademais, é moi difícil obter datos de alta calidade de individuos.

Outro problema son os efectos secundarios pouco frecuentes e inesperados que pode causar un fármaco. Estes non adoitan estar cubertos polo modelo deseñado para o grupo de control.

Pero o maior medo do Dr. Neal é que este modelo preditivo se basee en "as cousas de sempre". Imaxina un evento grande e inesperado como a pandemia da COVID-19 que cambia o comportamento de todos e enferma á xente. "Os modelos de control non teñen isto en conta", di. Entón, debido a estes eventos que o grupo de control non tivo en conta, os resultados finais do experimento poderían ser completamente diferentes.

Entón, pódese usar isto realmente? Que nos deparará o futuro?

Eric Topol, experto no uso da tecnoloxía dixital na atención sanitaria, cre que a idea é xenial, pero aínda non é o momento axeitado. «Non creo que os ensaios clínicos vaian cambiar nun futuro próximo. Porque requiren múltiples capas de datos, máis alá dos rexistros médicos, como secuencias do xenoma, microbioma intestinal e datos ambientais».

Segundo Charles Fisher, fundador de Unlearn.AI, unha empresa pioneira nesta tecnoloxía, xa existen solucións para os problemas da privacidade dos datos e os prexuízos. «A privacidade é doada. Só traballamos con datos que xa foron anonimizados».

Ao falar de sesgo, di que, aínda que o problema non se resolveu por completo, non é relevante para os resultados do estudo. Dado que os estudos son aleatorios, mesmo se hai algún sesgo nos datos, isto non afecta os resultados. Non obstante, algúns expertos non están de acordo con esta idea. Din,Dado que se está a comparar unha persoa real cun modelo informático, se hai algún erro nese modelo, pode afectar directamente os resultados.

Non obstante, Unlearn.AI xa está a traballar con empresas farmacéuticas para deseñar ensaios clínicos para enfermidades neurolóxicas como o Alzheimer, o Parkinson e a esclerose múltiple. Escolleron estas enfermidades como un bo punto de partida porque teñen máis datos que outras. Fisher di que se o método se puidese aplicar algún día a todas as enfermidades, podería reducir significativamente o tempo que tardan os novos fármacos en chegar ao mercado.