Երբևէ մտածե՞լ եք, թե որքան ժամանակ պահանջվեց, որ այսօր առավոտյան ընդունած դեղահաբը հասնի ձեր ձեռքը։ Սկզբում նրանք լայնածավալ հետազոտություններ են անցկացնում լաբորատորիաներում։ Այնուհետև փորձարկում են այն կենդանիների վրա։ Բայց նախքան մարդկանց վրա օգտագործման համար հաստատվելը, նրանք պետք է փորձարկեն այն մարդկանց վրա։ Սա մենք անվանում ենք կլինիկական փորձարկում։ Դա շատ բարդ և թանկ գործընթաց է։
Պարզ ասած՝ ի՞նչ է կլինիկական փորձարկումը։
Պարզ ասած, կլինիկական փորձարկումն այսպես է ընթանում. հետազոտողները հավաքագրում են նոր մշակված դեղամիջոցի թիրախային հիվանդությամբ տառապող հիվանդների: Այնուհետև այս կամավորները պատահականորեն բաժանվում են երկու խմբի:
1. Առաջին խմբին տրվում է փորձարկվող նոր դեղամիջոցը։
2. Երկրորդ խմբին ՝ «Վերահսկիչ խմբին», տրվում է պլացեբո, որը չունի ակտիվ բաղադրիչ և բացարձակապես նման է դեղամիջոցին։ Մենք սա անվանում ենք «Պլացեբո»։
Եթե այս փորձարկման ավարտին նոր դեղամիջոցն ընդունողների ախտանիշներն ավելի շատ են բարելավվել, քան պլացեբո ընդունողների մոտ, ապա սա ապացուցում է, որ նոր դեղամիջոցն արդյունավետ է։
Նման փորձարկման ամենամեծ մարտահրավերներից մեկը բավարար քանակությամբ հիվանդների գտնելն է, ովքեր ճիշտ համապատասխանում են փորձարկմանը: Երբեմն նույնիսկ բժիշկները չգիտեն, թե որ փորձարկումներն են ճիշտ իրենց հիվանդների համար: Բացի այդ, մասնակցել ցանկացող հիվանդների բնութագրերը կարող են չհամապատասխանել փորձարկման պահանջներին: Այնուամենայնիվ, արհեստական բանականությունը (ԱԲ) կարող է այս խնդիրը շատ ավելի հեշտ դարձնել:
Ծանոթացեք ձեր «թվային երկվորյակի» հետ
Պատկերացրեք, որ դուք ունեք ձեր սեփական համակարգչային մոդելը, այսինքն՝ ձեր թվային պատճենը։ Սա կոչվում է «թվային երկվորյակ»։ Սրանք պարզապես «համակարգչային մոդելներ» են, որոնք համակարգչի վրա մոդելավորում են իրական աշխարհի օբյեկտ կամ համակարգ։ Սակայն թվային տեսանկյունից դիտարկելիս դրանք իրենց պահում են ճիշտ այնպես, ինչպես իրականը։ Լավագույն օրինակն այն է, երբ պայթեց «Ապոլոն 13» տիեզերանավի թթվածնի բալոնը, ՆԱՍԱ-ն օգնեց այն վերականգնել Երկրի վրա կառուցված նույն տիեզերանավի «թվային երկվորյակի» միջոցով։
Այժմ գիտնականները կարող են ստեղծել մարդու «թվային երկվորյակ»՝ բավարար «տվյալներ» ստանալով։ Սա օգտագործում է արհեստական բանականության տեխնոլոգիա, որը կոչվում է «մեքենայական ուսուցում»։ Պարզ ասած, սա ենթադրում է համակարգչային ծրագրին մեծ քանակությամբ տվյալների տրամադրում և դրանցից սովորելու հնարավորություն։
Հիվանդների թվային երկվորյակները ստեղծվում են այս մեքենայական ուսուցման մոդելները մարզելու միջոցով՝ օգտագործելով նախորդ կլինիկական փորձարկումներից ստացված տվյալները և յուրաքանչյուր հիվանդի անձնական բժշկական գրառումները: Այնուհետև մոդելը կարող է կանխատեսել, թե ինչպես կփոխվի հիվանդի առողջությունը փորձարկման ընթացքում, եթե նրանց տրվի պլացեբո:Այսինքն՝ նույն հիվանդի համար ստեղծվում է համակարգչային գեներացված վերահսկողական խումբ (սիմուլյացված վերահսկողական խումբ):
Հիմա տեսնենք, թե ինչպես է սա աշխատում։ Ենթադրենք, որ «Սամադի» անունով մեկը ընտրվում է այն խմբում, որը ստանում է նոր դեղամիջոց։ Սամադիի «թվային երկվորյակը», համակարգչային մոդելը, գտնվում է վերահսկիչ խմբում։ Մոդելը կանխատեսում է, թե ինչ կպատահի, եթե Սամադիին իրական դեղամիջոցի փոխարեն տրվի «պլացեբո»։ Վերջնական արդյունքում, Սամադիի դեղամիջոցի նկատմամբ իրական արձագանքի և մոդելի կանխատեսած «պլացեբո»-ի ընդունման դեպքում դրա արդյունավետության չափանիշ է Սամադիի համար դեղամիջոցի արդյունավետության աստիճանը։
Այս մեթոդի ամենամեծ առավելություններից մեկն այն է, որ կլինիկական փորձարկմանը մասնակցող գրեթե բոլորը հնարավորություն ունեն ստանալու նոր դեղամիջոցը, քանի որ «պլացեբոն» տրվում է նրանց թվային երկվորյակին։
Եկեք նայենք այս աղյուսակին՝ պարզ տեսնելու համար «թվային երկվորյակներ» օգտագործելու առավելությունները ավանդական կառավարման թիմերի փոխարեն։
| Բնութագիր | Ավանդական մեթոդ | Թվային երկվորյակների մեթոդ |
|---|---|---|
| Վերահսկիչ խումբ | Կազմված իրական մարդկանցից։ Նրանք ստանում են (պլացեբո)։ | Բաղկացած է համակարգչային մոդելներից (թվային երկվորյակներ): |
| Առավելություն հիվանդների համար | Պլացեբո ստանալու 50% հավանականություն կա։ Դա նշանակում է, որ դուք կարող եք բաց թողնել նոր դեղամիջոցը։ | Շատերն ունեն հնարավորություն փորձարկելու իրական դեղամիջոցը։ |
| Անհրաժեշտ կամավորների թիվը | Ավելի շատ մարդիկ են անհրաժեշտ (երկու թիմերի համար էլ): | Թեստը կարող է անցկացվել փոքր թվով մարդկանց հետ։ |
| Ժամանակը և արժեքը | Շատ բարձր։ | Կարող է զգալիորեն կրճատվել։ |
Չնայած այս տեխնոլոգիան լավն է, մի՞թե խնդիրներ չկան։
Չնայած այս տեխնոլոգիան մեծ խոստումնալից է ապագայի համար, այն դեռևս լայնորեն չի օգտագործվել: Դրա համար կարող են լինել լավ պատճառներ: Ինչպես նշում է «(մեքենայական ուսուցման)» մասնագետ դոկտոր Դանիել Նիլը, այս մոդելները հիմնված են մեծ քանակությամբ տվյալների վրա: Բացի այդ, շատ դժվար է անհատներից բարձրորակ տվյալներ ստանալ:
«Մարդիկ հաճախ իրենք են հաղորդում իրենց սննդակարգի և մարզվելու սովորությունների մասին տեղեկություններ։ Մարդիկ միշտ չէ, որ ճշմարտությունն են ասում։ Նրանք հակված են չափազանցնել իրենց կատարած մարզումների քանակը և թերագնահատել իրենց ուտած արագ սննդի քանակը»։
Մեկ այլ խնդիր է դեղամիջոցի կողմից առաջացող հազվագյուտ, անսպասելի կողմնակի ազդեցությունները ։ Դրանք հաճախ չեն ներառվում վերահսկիչ խմբի համար մշակված մոդելում։
Սակայն դոկտոր Նիլի ամենամեծ վախն այն է, որ այս կանխատեսողական մոդելը հիմնված է «սովորականի պես գործելու» վրա։ Պատկերացրեք մի մեծ, անսպասելի իրադարձություն, ինչպիսին է COVID-19 համավարակը, որը փոխում է բոլորի վարքագիծը և մարդկանց հիվանդացնում։ «Վերահսկիչ մոդելները սա հաշվի չեն առնում», - ասում է նա։ Այնուհետև, այս իրադարձությունների պատճառով, որոնք վերահսկիչ խումբը հաշվի չի առել, փորձի վերջնական արդյունքները կարող են բոլորովին այլ լինել։
Այսպիսով, կարո՞ղ է սա իսկապես օգտագործվել։ Ի՞նչ է սպասվում ապագայում։
Առողջապահության ոլորտում թվային տեխնոլոգիաների կիրառման փորձագետ Էրիկ Տոպոլը կարծում է, որ գաղափարը հիանալի է, բայց դեռ ժամանակը չէ։ «Ես չեմ կարծում, որ կլինիկական փորձարկումները կփոխվեն մոտ ապագայում։ Որովհետև դա պահանջում է տվյալների բազմաշերտ շերտեր, բացի առողջապահական գրառումներից, ինչպիսիք են գենոմի հաջորդականությունները, աղիքային միկրոբիոմը, շրջակա միջավայրի տվյալները»։
Ըստ այս տեխնոլոգիայի ռահվիրա, Unlearn.AI-ի հիմնադիր Չարլզ Ֆիշերի, տվյալների գաղտնիության և կողմնակալության խնդիրների լուծումներ արդեն կան։ «Գաղտնիությունը հեշտ է։ Մենք աշխատում ենք միայն այն տվյալների հետ, որոնք արդեն անանունացված են»։
Խոսելով կողմնակալության մասին, նա ասում է, որ չնայած խնդիրը լիովին լուծված չէ, այն կապ չունի ուսումնասիրության արդյունքների հետ։ Քանի որ ուսումնասիրությունները պատահականացված են, նույնիսկ եթե տվյալներում որոշակի կողմնակալություն կա, դա չի ազդում արդյունքների վրա։ Այնուամենայնիվ, որոշ մասնագետներ համաձայն չեն այս մտքի հետ։ Նրանք ասում են.Քանի որ դուք համեմատում եք իրական մարդուն համակարգչային մոդելի հետ, եթե այդ մոդելում կա որևէ սխալ, դա կարող է ուղղակիորեն ազդել արդյունքների վրա։
Այնուամենայնիվ, Unlearn.AI-ն արդեն իսկ համագործակցում է դեղագործական ընկերությունների հետ՝ մշակելու համար կլինիկական փորձարկումներ նյարդաբանական հիվանդությունների, ինչպիսիք են Ալցհայմերի, Պարկինսոնի և բազմակի սկլերոզի հիվանդությունները, կլինիկական փորձարկումներ: Նրանք այս հիվանդություններն են ընտրել որպես լավ մեկնարկային կետ, քանի որ ունեն ավելի շատ տվյալներ, քան մյուսները: Ֆիշերն ասում է, որ եթե մեթոդը մի օր կարողանա կիրառվել բոլոր հիվանդությունների համար, դա կարող է զգալիորեն կրճատել նոր դեղամիջոցների շուկա դուրս գալու համար անհրաժեշտ ժամանակը:
Տուն տանելու հաղորդագրություն
- Թվային երկվորյակը իրական հիվանդի համակարգչային մոդել է, որն օգտագործվում է նոր դեղամիջոցներ փորձարկող կլինիկական փորձարկումներում:
- Սա թույլ է տալիս օգտագործել այս թվային մոդելները՝ վերահսկիչ խմբի համար իրական մարդկանց օգտագործելու փոխարեն։
- Այս մեթոդի հիմնական առավելությունն այն է, որ փորձարկման ավելի շատ մասնակիցներ հնարավորություն ունեն ստանալու փորձարկվող դեղամիջոցը։
- Այնուամենայնիվ, մարտահրավերները մնում են, ինչպիսիք են բարձրորակ տվյալներ ստանալու դժվարությունը և անսպասելի իրադարձությունները մոդելավորելու անկարողությունը։
- Չնայած այս տեխնոլոգիան մեծ խոստումնալից է բժշկության ապագայի համար, այն դեռևս սկզբնական փուլում է։ Եթե ունեք որևէ մտահոգություն կամ կասկած, կարևոր է խոսել ձեր բժշկի հետ ։
💬 Comments (0)
Դեռևս ոչ մի մեկնաբանություն չի հրապարակվել: Ավելացրեք ձեր մեկնաբանությունն այստեղ առաջին անգամ:
Ավելացրեք ձեր մեկնաբանությունը