Saját „digitális ikertestvéred”? A legújabb technológia, amely megváltoztatja a drogtesztelést (Digitális ikertestvér)

Elgondolkodtál már azon, mennyi időbe telt, mire a kezedbe került az a pirula, amit ma reggel bevettél? Először alapos kutatást végeznek laboratóriumokban. Aztán állatokon tesztelik. De mielőtt jóváhagyhatnák őket emberi alkalmazásra, embereken is tesztelni kell. Ezt nevezzük klinikai vizsgálatnak. Ez egy nagyon bonyolult és költséges folyamat.

Egyszerűen fogalmazva, mi is az a klinikai vizsgálat?

Egyszerűen fogalmazva, egy klinikai vizsgálat a következőképpen működik: a kutatók olyan betegeket toboroznak, akiknél az újonnan kifejlesztett gyógyszer célzott betegséget céloz meg. Ezeket az önkénteseket ezután véletlenszerűen két csoportra osztják.

1. Az első csoport megkapja a tesztelendő új gyógyszert.

2. A második csoport , a „kontrollcsoport”, placebót kap, aminek nincs hatóanyaga, és pontosan úgy néz ki, mint a gyógyszer. Ezt „placebónak” nevezzük.

Ha a vizsgálat végére az új gyógyszert szedők tünetei jobban javultak, mint a placebót szedőké, akkor ez bizonyítja, hogy az új gyógyszer hatékony.

Egy ilyen vizsgálat egyik legnagyobb kihívása elegendő olyan beteg megtalálása, akik pontosan alkalmasak a vizsgálatra. Néha még az orvosok sem tudják, melyik vizsgálat a megfelelő a betegeik számára. Ezenkívül a részt venni kívánó betegek jellemzői nem feltétlenül felelnek meg a vizsgálat követelményeinek. A mesterséges intelligencia (MI) azonban jelentősen megkönnyítheti ezt a feladatot.

Ismerd meg a „digitális ikertestvéredet”

Képzeld el, hogy van egy saját számítógépes modelled, azaz egy digitális másolatod magadról. Ezt hívják „digitális ikertestvérnek”. Ezek csak „számítógépes modellek”, amelyek egy valós tárgyat vagy rendszert szimulálnak egy számítógépen. De numerikusan nézve pontosan úgy viselkednek, mint az igazi. A legjobb példa erre az, amikor az Apollo 13 űrhajó oxigénpalackja felrobbant, a NASA pedig egy, a Földön épített, ugyanolyan űrhajó „digitális ikertestvérével” segített megjavítani a hibát.

A tudósok most már elegendő „adat” birtokában képesek létrehozni egy emberi lény „digitális ikertestvérét”. Ez egy „gépi tanulásnak” nevezett mesterséges intelligencia technológiát használ. Egyszerűen fogalmazva, ez azt jelenti, hogy nagy mennyiségű adatot adunk egy számítógépes programnak, és hagyjuk, hogy az tanuljon belőle.

A betegek digitális ikreit úgy hozzák létre, hogy ezeket a gépi tanulási modelleket korábbi klinikai vizsgálatokból származó adatok és az egyes betegek személyes egészségügyi adatainak felhasználásával tanítják. A modell ezután meg tudja jósolni, hogyan fog változni a beteg egészségi állapota a vizsgálat során, ha placebót kap.Vagyis egy számítógéppel generált kontrollcsoportot (szimulált kontrollcsoportot) hoznak létre ugyanahhoz a beteghez.

Most nézzük meg, hogyan működik ez. Tegyük fel, hogy egy „Szamádhi” nevű személyt kiválasztunk abba a csoportba, amelyik új gyógyszert kap. Szamadhi „digitális ikertestvére”, egy számítógépes modell, a kontrollcsoportban van. A modell megjósolja, mi történne, ha Szamadhi „placebót” kapna a tényleges gyógyszer helyett. Végső soron a Szamadhi gyógyszerre adott tényleges reakciója és a modell által a „placebó” bevétele esetén előrejelzett különbség méri a gyógyszer hatékonyságát Szamadhi számára.

Nézzük meg ezt a táblázatot, hogy világosan lássuk a „digitális ikrek” használatának előnyeit a hagyományos vezérlőcsoportok helyett.

Habár ez a technológia jó, nincsenek vele problémák?

Bár ez a technológia nagy ígéretet tartogat a jövőre nézve, még nem terjedt el széles körben. Ennek jó okai lehetnek. Ahogy Dr. Daniel Neal, a „(gépi tanulás)” szakértője rámutat, ezek a modellek nagy mennyiségű adatra támaszkodnak. Ráadásul nagyon nehéz kiváló minőségű adatokat szerezni az egyénekről.

Egy másik probléma a gyógyszer által okozott ritka, váratlan mellékhatások . Ezeket gyakran nem fedi le a kontrollcsoportra tervezett modell.

Dr. Neal legnagyobb félelme azonban az, hogy ez a prediktív modell a „szokásos üzletmeneten” alapul. Képzeljünk el egy nagy, váratlan eseményt, mint például a COVID-19 világjárvány, amely mindenki viselkedését megváltoztatja, és embereket betegít meg. „A kontrollmodellek ezt nem veszik figyelembe” – mondja. Aztán, mivel a kontrollcsoport nem vette figyelembe ezeket az eseményeket, a kísérlet végeredményei teljesen eltérőek lehetnek.

Szóval, tényleg használható ez? Mit hoz a jövő?

Eric Topol, a digitális technológia egészségügyi alkalmazásának szakértője nagyszerű ötletnek tartja, de az idő még nem jött el. „Nem hiszem, hogy a klinikai vizsgálatok a közeljövőben megváltoznak. Mert több rétegű adatot igényelnek, az egészségügyi feljegyzéseken túl, mint például a genomszekvenciák, a bélmikrobiom, a környezeti adatok.”

Charles Fisher, az Unlearn.AI alapítója, amely úttörő szerepet tölt be ebben a technológiában, szerint már léteznek megoldások az adatvédelem és az elfogultság problémáira. „Az adatvédelem egyszerű. Csak olyan adatokkal dolgozunk, amelyeket már anonimizáltak.”

Az elfogultságról beszélve azt mondja, hogy bár a kérdés még nem teljesen megoldott, a tanulmány eredményei szempontjából nem releváns. Mivel a tanulmányok randomizáltak, még ha van is némi torzítás az adatokban, az nem befolyásolja az eredményeket. Egyes szakértők azonban nem értenek egyet ezzel az elképzeléssel. Azt mondják,Mivel egy valós személyt hasonlítasz össze egy számítógépes modellel, ha bármilyen hiba van a modellben, az közvetlenül befolyásolhatja az eredményeket.

Az Unlearn.AI azonban már gyógyszeripari vállalatokkal dolgozik együtt olyan neurológiai betegségek klinikai vizsgálatainak megtervezésében, mint az Alzheimer-kór, a Parkinson-kór és a szklerózis multiplex. Ezeket a betegségeket azért választották jó kiindulópontnak, mert több adattal rendelkeznek, mint mások. Fisher szerint, ha a módszer egy napon minden betegségre alkalmazható lesz, az jelentősen csökkentheti az új gyógyszerek piacra kerüléséhez szükséges időt.