"Kembar digital"mu dhewe? Teknologi paling anyar sing bakal ngganti tes narkoba (Kembar Digital)

Apa kowe tau mikir suwene pil sing kok ombe esuk iki tekan tanganmu? Pisanan, dheweke nindakake riset ekstensif ing laboratorium. Banjur dheweke nguji coba ing kewan. Nanging sadurunge bisa disetujoni kanggo digunakake ing manungsa, dheweke kudu nguji coba ing manungsa. Iki sing diarani uji klinis. Iki proses sing rumit lan larang banget.

Gampangane, apa kuwi uji klinis?

Kanthi tembung prasaja, uji klinis cara kerjane kaya mangkene: Para peneliti ngrekrut pasien sing kena penyakit sing dadi target obat sing nembe dikembangake. Para sukarelawan iki banjur dipérang kanthi acak dadi rong klompok.

1. Klompok pisanan diwenehi obat anyar sing bakal dites.

2. Klompok kapindho , "Klompok Kontrol", diwenehi plasebo sing ora duwe bahan aktif lan katon persis kaya obat kasebut. Iki diarani "Placebo".

Manawa, ing pungkasan uji coba iki, gejala wong-wong sing ngonsumsi obat anyar wis luwih apik tinimbang sing ngonsumsi plasebo, mula iki mbuktekake manawa obat anyar kasebut efektif.

Salah sawijining tantangan paling gedhe ing uji coba kaya ngono yaiku nemokake pasien sing cukup sing cocog kanggo uji coba kasebut. Kadhangkala dokter uga ora ngerti uji coba endi sing cocog kanggo pasien. Kajaba iku, karakteristik pasien sing pengin melu bisa uga ora cocog karo syarat uji coba kasebut. Nanging, kecerdasan buatan (AI) bisa nggampangake tugas iki.

Ketemu "Kembar Digital"-mu

Bayangna yen sampeyan duwe model komputer dhewe, yaiku salinan digital saka awake dhewe. Kuwi sing diarani "Kembar Digital". Iki mung "Model Komputer" sing nyimulasikake obyek utawa sistem ing jagad nyata ing komputer. Nanging yen dideleng kanthi numerik, tumindake persis kaya barang nyata. Conto paling apik yaiku nalika tangki oksigen ing pesawat ruang angkasa Apollo 13 njeblug, NASA mbantu ndandani nganggo "Kembar Digital" saka pesawat ruang angkasa sing padha sing dibangun ing Bumi.

Saiki, para ilmuwan bisa nggawe "Kembar Digital" manungsa, yen diwenehi "data" sing cukup. Iki nggunakake teknologi kecerdasan buatan sing diarani "Pembelajaran Mesin". Sederhanane, iki kalebu menehi program komputer jumlah data sing akeh lan ngidini program kasebut sinau saka data kasebut.

Kembar Digital pasien digawe kanthi nglatih model Pembelajaran Mesin iki nggunakake data saka uji klinis sadurunge lan cathetan medis pribadi saben pasien. Model kasebut banjur bisa prédhiksi kepiye kesehatan pasien bakal owah sajrone uji coba yen diwenehi plasebo.Yaiku, klompok kontrol sing digawe komputer (Grup Kontrol Simulasi) digawe kanggo pasien sing padha.

Saiki ayo dideleng kepiye iki kerjane. Umpamane ana wong sing jenenge "Samadhi" sing dipilih dadi anggota klompok sing nampa obat anyar. "Digital Twin"-ne Samadhi, sawijining model komputer, ana ing klompok kontrol. Model kasebut ngramalake apa sing bakal kedadeyan yen Samadhi diwenehi "Placebo" tinimbang obat sing sejatine. Pungkasane, bedane antarane respon nyata Samadhi marang obat kasebut lan apa sing diramalake model bakal kedadeyan yen dheweke njupuk "Placebo" minangka ukuran sepira efektif obat kasebut kanggo Samadhi.

Ayo dideleng tabel iki kanggo ndeleng kanthi cetha mupangate nggunakake "Digital Twins" tinimbang tim kontrol tradisional.

Senajan teknologi iki apik, apa ora ana masalah?

Senajan teknologi iki nduweni potensi gedhe kanggo mbesuk, nanging durung digunakake sacara wiyar. Bisa uga ana alesan sing apik kanggo iki. Kaya sing dituduhake dening Dr. Daniel Neal, ahli "(Machine Learning), model-model iki gumantung marang jumlah data sing akeh. Kajaba iku, angel banget kanggo entuk data sing berkualitas tinggi saka individu.

Masalah liyané yaiku efek samping sing langka lan ora dikarepke sing bisa disebabake obat. Iki asring ora dicakup dening model sing dirancang kanggo klompok kontrol.

Nanging rasa wedi paling gedhe saka Dr. Neal yaiku model prediktif iki adhedhasar "bisnis kaya biasane." Bayangna kedadeyan gedhe sing ora dikarepke kaya pandemi COVID-19 sing ngganti prilaku saben wong lan nggawe wong lara. "Model kontrol ora nggatekake iki," ujare. Banjur, amarga kedadeyan kasebut sing ora digatekake dening klompok kontrol, asil pungkasan saka eksperimen kasebut bisa uga beda banget.

Dadi apa iki pancen bisa digunakake? Kepiye kahanane ing mangsa ngarep?

Eric Topol, pakar babagan panggunaan teknologi digital ing layanan kesehatan, mikir yen ide kasebut apik banget, nanging wektune durung pas. "Aku ora mikir uji klinis bakal owah ing wektu cedhak. Amarga mbutuhake pirang-pirang lapisan data, ngluwihi mung cathetan kesehatan, kayata urutan genom, mikrobioma usus, data lingkungan."

Miturut Charles Fisher, pangadeg Unlearn.AI, pelopor teknologi iki, wis ana solusi kanggo masalah privasi lan bias data. "Privasi iku gampang. Kita mung nggarap data sing wis dianonimake."

Nalika ngomong babagan bias, dheweke ujar manawa sanajan masalah kasebut durung dirampungake kanthi lengkap, nanging ora ana hubungane karo asil panliten. Amarga panliten kasebut diacak, sanajan ana sawetara bias ing data, nanging ora mengaruhi asil kasebut. Nanging, sawetara ahli ora setuju karo ide iki. Dheweke ujar,Amarga sampeyan mbandhingake wong nyata karo model komputer, yen ana kesalahan ing model kasebut, bisa langsung mengaruhi asil kasebut.

Nanging, Unlearn.AI wis kerja sama karo perusahaan farmasi kanggo ngrancang uji klinis kanggo penyakit neurologis kayata Alzheimer, Parkinson, lan multiple sclerosis. Dheweke milih penyakit kasebut minangka papan sing apik kanggo miwiti amarga duwe data luwih akeh tinimbang liyane. Fisher ujar manawa yen metode kasebut bisa ditrapake kanggo kabeh penyakit ing sawijining dina, bisa nyuda wektu sing dibutuhake kanggo obat anyar supaya bisa dipasarake kanthi signifikan.