Il tuo "gemello digitale"? L'ultima tecnologia che rivoluzionerà i test antidroga (Digital Twin)

Vi siete mai chiesti quanto tempo ci è voluto perché la pillola che avete preso stamattina arrivasse nelle vostre mani? Innanzitutto, vengono condotte ricerche approfondite in laboratorio. Poi vengono testate sugli animali. Ma prima di poter essere approvate per l'uso sugli esseri umani, devono essere testate sugli esseri umani. Questo è ciò che chiamiamo sperimentazione clinica. È un processo molto complesso e costoso.

In parole semplici, cos'è una sperimentazione clinica?

In parole semplici, una sperimentazione clinica funziona così: i ricercatori reclutano pazienti affetti dalla malattia per la quale è stato sviluppato il nuovo farmaco. Questi volontari vengono poi divisi in modo casuale in due gruppi.

1. Al primo gruppo viene somministrato il nuovo farmaco da testare.

2. Al secondo gruppo , il "Gruppo di controllo", viene somministrato un placebo che non contiene alcun principio attivo e ha lo stesso aspetto del farmaco. Lo chiamiamo "Placebo".

Se, al termine di questa sperimentazione, i sintomi di coloro che hanno assunto il nuovo farmaco saranno migliorati più di quelli di coloro che hanno assunto il placebo, allora ciò dimostrerà che il nuovo farmaco è efficace.

Una delle maggiori sfide in una sperimentazione clinica di questo tipo è trovare un numero sufficiente di pazienti che corrispondano esattamente ai criteri di inclusione. A volte, persino i medici non sanno quali sperimentazioni siano più adatte ai loro pazienti. Inoltre, le caratteristiche dei pazienti che desiderano partecipare potrebbero non corrispondere ai requisiti della sperimentazione. Tuttavia, l'intelligenza artificiale (IA) potrebbe semplificare notevolmente questo compito.

Vi presentiamo il vostro "gemello digitale".

Immaginate di avere un vostro modello computerizzato, ovvero una copia digitale di voi stessi. Questo è ciò che viene chiamato "gemello digitale". Si tratta semplicemente di "modelli computerizzati" che simulano un oggetto o un sistema del mondo reale su un computer. Ma se visualizzati numericamente, si comportano esattamente come l'oggetto o il sistema reale. L'esempio migliore è quello del serbatoio di ossigeno della navicella spaziale Apollo 13, che esplose: la NASA contribuì alla riparazione utilizzando un "gemello digitale" della stessa navicella, costruito sulla Terra.

Oggi, gli scienziati possono creare un "gemello digitale" di un essere umano, a patto di disporre di una quantità sufficiente di "dati". Ciò si avvale di una tecnologia di intelligenza artificiale chiamata "apprendimento automatico" (Machine Learning). In parole semplici, si tratta di fornire a un programma informatico una grande quantità di dati e lasciarlo apprendere da essi.

I gemelli digitali dei pazienti vengono creati addestrando questi modelli di apprendimento automatico utilizzando i dati di precedenti studi clinici e le cartelle cliniche personali di ciascun paziente. Il modello può quindi prevedere come cambierà lo stato di salute di un paziente nel corso della sperimentazione se gli viene somministrato un placebo.In altre parole, per quello stesso paziente viene creato un gruppo di controllo generato al computer (gruppo di controllo simulato).

Vediamo ora come funziona. Ipotizziamo che una persona di nome "Samadhi" venga selezionata per far parte del gruppo che riceve un nuovo farmaco. Il "gemello digitale" di Samadhi, un modello computerizzato, si trova nel gruppo di controllo. Il modello prevede cosa accadrebbe se a Samadhi venisse somministrato un "placebo" invece del farmaco vero e proprio. In definitiva, la differenza tra la risposta effettiva di Samadhi al farmaco e ciò che il modello aveva previsto sarebbe accaduto se avesse assunto il "placebo" rappresenta una misura dell'efficacia del farmaco per Samadhi.

Esaminiamo questa tabella per comprendere chiaramente i vantaggi derivanti dall'utilizzo dei "gemelli digitali" al posto dei tradizionali team di controllo.

Sebbene questa tecnologia sia valida, non presenta forse dei problemi?

Sebbene questa tecnologia sia molto promettente per il futuro, non è ancora ampiamente utilizzata. Ciò può essere dovuto a valide ragioni. Come sottolinea il dottor Daniel Neal, esperto di apprendimento automatico, questi modelli si basano su grandi quantità di dati. Inoltre, è molto difficile ottenere dati di alta qualità dai singoli individui.

Un altro problema riguarda i rari e inattesi effetti collaterali che un farmaco può causare. Questi spesso non sono contemplati dal modello progettato per il gruppo di controllo.

Ma la più grande paura del dottor Neal è che questo modello predittivo si basi su uno scenario "normale". Immaginiamo un evento di grande portata e inaspettato come la pandemia di COVID-19, che cambia il comportamento di tutti e fa ammalare le persone. "I modelli di controllo non ne tengono conto", afferma. Quindi, a causa di questi eventi che il gruppo di controllo non ha considerato, i risultati finali dell'esperimento potrebbero essere completamente diversi.

Quindi, può essere davvero utilizzato? Cosa ci riserverà il futuro?

Eric Topol, esperto nell'uso della tecnologia digitale in ambito sanitario, ritiene che l'idea sia ottima, ma che non sia ancora il momento giusto. "Non credo che le sperimentazioni cliniche cambieranno nel prossimo futuro. Perché richiedono molteplici livelli di dati, oltre alle semplici cartelle cliniche, come sequenze genomiche, microbioma intestinale e dati ambientali."

Secondo Charles Fisher, fondatore di Unlearn.AI, azienda pioniera in questo settore, esistono già soluzioni ai problemi di privacy dei dati e di pregiudizio. "La privacy è semplice. Lavoriamo solo con dati che sono già stati anonimizzati."

Quando si parla di bias, dice che, sebbene la questione non sia stata completamente risolta, non è rilevante per i risultati dello studio. Poiché gli studi sono randomizzati, anche se c'è un bias nei dati, non influisce sui risultati. Tuttavia, alcuni esperti non sono d'accordo con questa idea. Dicono:Poiché si sta confrontando una persona reale con un modello computerizzato, qualsiasi errore presente in tale modello può influenzare direttamente i risultati.

Tuttavia, Unlearn.AI sta già collaborando con aziende farmaceutiche per progettare studi clinici su malattie neurologiche come l'Alzheimer, il Parkinson e la sclerosi multipla. Hanno scelto queste malattie come punto di partenza ideale perché dispongono di una maggiore quantità di dati rispetto ad altre. Fisher afferma che se un giorno il metodo potesse essere applicato a tutte le malattie, potrebbe ridurre significativamente i tempi necessari per l'immissione sul mercato di nuovi farmaci.