Jeste li se ikada zapitali koliko je vremena trebalo da vam tableta koju ste popili jutros stigne u ruke? Prvo provode opsežna istraživanja u laboratorijima. Zatim je testiraju na životinjama. Ali prije nego što se mogu odobriti za upotrebu na ljudima, moraju je testirati na ljudima. To nazivamo kliničkim ispitivanjem. To je vrlo kompliciran i skup proces.
Jednostavno rečeno, što je kliničko ispitivanje?
Jednostavno rečeno, kliničko ispitivanje funkcionira ovako: Istraživači regrutiraju pacijente s bolešću na koju cilja novorazvijeni lijek. Ti se volonteri zatim nasumično podijele u dvije skupine.
1. Prvoj skupini se daje novi lijek koji će se testirati.
2. Druga skupina , „kontrolna skupina“, dobiva placebo koji nema aktivni sastojak i izgleda točno kao lijek. To nazivamo „placebo“.
Ako se na kraju ovog ispitivanja simptomi onih koji su uzimali novi lijek poboljšaju više nego kod onih koji su uzimali placebo, to dokazuje da je novi lijek učinkovit.
Jedan od najvećih izazova u takvom ispitivanju je pronaći dovoljno pacijenata koji su upravo pravi za ispitivanje. Ponekad čak ni liječnici ne znaju koja su ispitivanja prava za njihove pacijente. Također, karakteristike pacijenata koji žele sudjelovati možda ne odgovaraju zahtjevima ispitivanja. Međutim, umjetna inteligencija (AI) mogla bi uvelike olakšati taj zadatak.
Upoznajte svog "digitalnog blizanca"
Zamislite da imate vlastiti računalni model, odnosno digitalnu kopiju sebe. To se naziva "digitalni blizanac". To su samo "računalni modeli" koji simuliraju stvarni objekt ili sustav na računalu. Ali kada se gledaju numerički, ponašaju se točno kao prava stvar. Najbolji primjer je kada je eksplodirao spremnik kisika na svemirskoj letjelici Apollo 13, NASA je pomogla u popravku s "digitalnim blizancem" iste svemirske letjelice izgrađene na Zemlji.
Znanstvenici sada mogu stvoriti „digitalnog blizanca“ ljudskog bića, uz dovoljno „podataka“. To koristi tehnologiju umjetne inteligencije pod nazivom „strojno učenje“. Jednostavno rečeno, to uključuje davanje računalnom programu velike količine podataka i omogućavanje mu da uči iz njih.
Digitalni blizanci pacijenata stvaraju se obučavanjem ovih modela strojnog učenja korištenjem podataka iz prethodnih kliničkih ispitivanja i osobnih medicinskih kartona svakog pacijenta. Model zatim može predvidjeti kako će se zdravlje pacijenta promijeniti tijekom ispitivanja ako mu se da placebo.To jest, za istog pacijenta stvara se računalno generirana kontrolna skupina (simulirana kontrolna skupina).
Sada da vidimo kako ovo funkcionira. Recimo da je netko po imenu "Samadhi" odabran da bude u skupini koja prima novi lijek. Samadhijev "digitalni blizanac", računalni model, nalazi se u kontrolnoj skupini. Model predviđa što bi se dogodilo kada bi Samadhi dobio "placebo" umjesto stvarnog lijeka. U konačnici, razlika između Samadhijevog stvarnog odgovora na lijek i onoga što je model predvidio da bi se dogodilo kada bi uzeo "placebo" mjera je koliko je lijek učinkovit za Samadhi.
Jedna od najvećih prednosti ove metode je ta što gotovo svi koji sudjeluju u kliničkom ispitivanju imaju priliku primiti novi lijek, jer se „placebo“ daje njihovom digitalnom blizancu.
Pogledajmo ovu tablicu kako bismo jasno vidjeli prednosti korištenja „digitalnih blizanaca“ umjesto tradicionalnih kontrolnih timova.
| Karakteristično | Tradicionalna metoda | Metoda digitalnih blizanaca |
|---|---|---|
| Kontrolna skupina | Sastoji se od stvarnih ljudi. Dobivaju (placebo). | Sastoji se od računalnih modela (digitalnih blizanaca). |
| Prednost za pacijente | Postoji 50% šanse da dobijete placebo. To znači da možete preskočiti novi lijek. | Mnogi ljudi imaju priliku isprobati pravi lijek. |
| Broj potrebnih volontera | Potrebno je više ljudi (za oba tima). | Test se može provesti s malim brojem ljudi. |
| Vrijeme i trošak | Vrlo visoko. | Može se značajno smanjiti. |
Iako je ova tehnologija dobra, zar nema problema?
Iako ova tehnologija nosi velika obećanja za budućnost, još nije široko korištena. Za to mogu postojati dobri razlozi. Kao što ističe dr. Daniel Neal, stručnjak za „(strojno učenje)“, ovi modeli oslanjaju se na velike količine podataka. Također, vrlo je teško dobiti visokokvalitetne podatke od pojedinaca.
„Ljudi često sami prijavljuju informacije o stvarima poput prehrane i navika vježbanja. Ljudi ne govore uvijek istinu. Skloni su preuveličavati količinu vježbanja koju rade, a podcjenjivati količinu nezdrave hrane koju jedu.“
Drugi problem su rijetke, neočekivane nuspojave koje lijek može uzrokovati. One često nisu obuhvaćene modelom osmišljenim za kontrolnu skupinu.
No najveći strah dr. Neala jest da se ovaj prediktivni model temelji na "uobičajenom poslovanju". Zamislite veliki, neočekivani događaj poput pandemije COVID-19 koji mijenja ponašanje svih i razbolijeva ljude. "Kontrolna skupina to ne uzima u obzir", kaže. Tada bi, zbog tih događaja koje kontrolna skupina nije uzela u obzir, konačni rezultati eksperimenta mogli biti potpuno drugačiji.
Može li se ovo stvarno koristiti? Što će donijeti budućnost?
Eric Topol, stručnjak za korištenje digitalne tehnologije u zdravstvu, smatra da je ideja sjajna, ali vrijeme još nije pravo. „Ne mislim da će se klinička ispitivanja promijeniti u bliskoj budućnosti. Jer zahtijevaju više slojeva podataka, osim samih zdravstvenih kartona, kao što su sekvence genoma, crijevni mikrobiom, podaci o okolišu.“
Prema Charlesu Fisheru, osnivaču tvrtke Unlearn.AI, pioniru u ovoj tehnologiji, već postoje rješenja za probleme privatnosti podataka i pristranosti. „Privatnost je jednostavna. Radimo samo s podacima koji su već anonimizirani.“
Kada govori o pristranosti, kaže da iako problem nije u potpunosti riješen, nije relevantan za rezultate studije. Budući da su studije randomizirane, čak i ako postoji određena pristranost u podacima, to ne utječe na rezultate. Međutim, neki stručnjaci se ne slažu s tom idejom. Kažu,Budući da uspoređujete stvarnu osobu s računalnim modelom, ako postoji bilo kakva pogreška u tom modelu, to može izravno utjecati na rezultate.
Međutim, Unlearn.AI već surađuje s farmaceutskim tvrtkama na osmišljavanju kliničkih ispitivanja za neurološke bolesti poput Alzheimerove bolesti, Parkinsonove bolesti i multiple skleroze. Odabrali su ove bolesti kao dobro mjesto za početak jer imaju više podataka od drugih. Fisher kaže da ako se metoda jednog dana može primijeniti na sve bolesti, mogla bi značajno smanjiti vrijeme potrebno za dolazak novih lijekova na tržište.
Poruka za ponijeti kući
- Digitalni blizanac je računalni model stvarnog pacijenta koji se koristi u kliničkim ispitivanjima novih lijekova.
- To omogućuje korištenje ovih digitalnih modela umjesto korištenja stvarnih ljudi za kontrolnu skupinu.
- Glavna prednost ove metode je što više sudionika u ispitivanju ima priliku primiti stvarni lijek koji se testira.
- Međutim, izazovi ostaju, poput teškoće u dobivanju visokokvalitetnih podataka i nemogućnosti modeliranja neočekivanih događaja.
- Iako ova tehnologija nosi velika obećanja za budućnost medicine, još je u povojima. Ako imate bilo kakvih nedoumica ili nedoumica, važno je razgovarati sa svojim liječnikom .
💬 අදහස් (0)
තවමත් කිසිදු අදහසක් පළ කර නොමැත. ඔබේ අදහස පළමු වරට මෙහි එක් කරන්න.
ඔබේ අදහස එක් කරන්න