თქვენი საკუთარი „ციფრული ტყუპისცალი“? უახლესი ტექნოლოგია, რომელიც შეცვლის ნარკოტესტირებას (ციფრული ტყუპისცალი)

ოდესმე დაფიქრებულხართ, რამდენ ხანში მოაღწია დღეს დილით მიღებულმა აბმა თქვენს ხელში? თავდაპირველად, ისინი ლაბორატორიებში ვრცელ კვლევას ატარებენ. შემდეგ კი ცხოველებზე ცდიან. თუმცა, სანამ ადამიანებზე გამოყენებისთვის დამტკიცდება, მათ ის ადამიანებზე უნდა გამოსცადონ. ამას კლინიკურ კვლევას ვუწოდებთ. ეს ძალიან რთული და ძვირადღირებული პროცესია.

მარტივად რომ ვთქვათ, რა არის კლინიკური კვლევა?

მარტივად რომ ვთქვათ, კლინიკური კვლევა ასე მუშაობს: მკვლევარები აგროვებენ პაციენტებს, რომლებსაც ახლად შემუშავებული პრეპარატი ებრძვის. შემდეგ ეს მოხალისეები შემთხვევითობის პრინციპით იყოფიან ორ ჯგუფად.

1. პირველ ჯგუფს ეძლევა ახალი შესამოწმებელი პრეპარატი.

2. მეორე ჯგუფს , „საკონტროლო ჯგუფს“, ეძლევა პლაცებო, რომელსაც არ აქვს აქტიური ინგრედიენტი და ზუსტად ჰგავს პრეპარატს. ჩვენ ამას „პლაცებოს“ ვუწოდებთ.

თუ ამ კვლევის დასრულების შემდეგ, ახალი პრეპარატის მიმღებთა სიმპტომები უფრო გაუმჯობესდა, ვიდრე პლაცებოს მიმღებთა, მაშინ ეს ადასტურებს, რომ ახალი პრეპარატი ეფექტურია.

ასეთ კვლევაში ერთ-ერთი ყველაზე დიდი გამოწვევა საკმარისი რაოდენობის პაციენტების პოვნაა, რომლებიც ზუსტად შეეფერებიან კვლევას. ზოგჯერ ექიმებმაც კი არ იციან, რომელი კვლევებია შესაფერისი მათი პაციენტებისთვის. ასევე, მონაწილეობის მსურველი პაციენტების მახასიათებლები შეიძლება არ შეესაბამებოდეს კვლევის მოთხოვნებს. თუმცა, ხელოვნურ ინტელექტს (AI) შეუძლია ამ ამოცანის გაცილებით გამარტივება.

გაიცანით თქვენი „ციფრული ტყუპისცალი“

წარმოიდგინეთ, რომ გაქვთ თქვენი საკუთარი კომპიუტერული მოდელი, ანუ თქვენივე ციფრული ასლი. სწორედ ამას ეწოდება „ციფრული ტყუპისცალი“. ეს არის უბრალოდ „კომპიუტერული მოდელები“, რომლებიც კომპიუტერზე რეალური სამყაროს ობიექტის ან სისტემის სიმულირებას ახდენენ. თუმცა, რიცხობრივად დათვალიერებისას, ისინი ზუსტად ისე იქცევიან, როგორც რეალური ობიექტი. საუკეთესო მაგალითია, როდესაც Apollo 13 კოსმოსური ხომალდის ჟანგბადის ავზი აფეთქდა, NASA-მ მის შეკეთებაში დედამიწაზე აგებული იმავე კოსმოსური ხომალდის „ციფრული ტყუპისცალი“ დაახმარა.

ახლა, მეცნიერებს შეუძლიათ შექმნან ადამიანის „ციფრული ტყუპისცალი“ საკმარისი „მონაცემების“ მიწოდებით. ეს იყენებს ხელოვნური ინტელექტის ტექნოლოგიას, რომელსაც „მანქანური სწავლება“ ეწოდება. მარტივად რომ ვთქვათ, ეს გულისხმობს კომპიუტერული პროგრამისთვის დიდი რაოდენობით მონაცემების მიწოდებას და მისგან სწავლის საშუალებას.

პაციენტების ციფრული ტყუპები იქმნება ამ მანქანური სწავლების მოდელების ტრენინგით, წინა კლინიკური კვლევებიდან მიღებული მონაცემებისა და თითოეული პაციენტის პირადი სამედიცინო ჩანაწერების გამოყენებით. შემდეგ მოდელს შეუძლია იწინასწარმეტყველოს, თუ როგორ შეიცვლება პაციენტის ჯანმრთელობა კვლევის მსვლელობისას, თუ მას პლაცებო მიეცემა.ანუ, იმავე პაციენტისთვის იქმნება კომპიუტერის მიერ გენერირებული საკონტროლო ჯგუფი (სიმულირებული საკონტროლო ჯგუფი).

ახლა ვნახოთ, როგორ მუშაობს ეს. ვთქვათ, ვიღაც სახელად „სამადჰი“ შეირჩევა იმ ჯგუფში, რომელიც ახალ პრეპარატს იღებს. სამადჰის „ციფრული ტყუპისცალი“, კომპიუტერული მოდელი, საკონტროლო ჯგუფშია. მოდელი პროგნოზირებს, თუ რა მოხდება, თუ სამადჰის რეალური პრეპარატის ნაცვლად „პლაცებო“ მიეცემა. საბოლოო ჯამში, სამადჰის პრეპარატზე რეალურ რეაქციასა და იმას შორის განსხვავება, რასაც მოდელი პროგნოზირებდა, რომ „პლაცებოს“ მიღების შემთხვევაში მოხდებოდა, არის საზომი იმისა, თუ რამდენად ეფექტურია პრეპარატი სამადჰისთვის.

მოდით, განვიხილოთ ეს ცხრილი, რათა ნათლად დავინახოთ „ციფრული ტყუპების“ გამოყენების უპირატესობები ტრადიციული საკონტროლო გუნდების ნაცვლად.

მიუხედავად იმისა, რომ ეს ტექნოლოგია კარგია, პრობლემები ხომ არ არის?

მიუხედავად იმისა, რომ ეს ტექნოლოგია მომავლისთვის დიდ პერსპექტივას შეიცავს, ის ჯერ ფართოდ არ გამოიყენება. შესაძლოა, ამის კარგი მიზეზები არსებობდეს. როგორც აღნიშნავს „(მანქანური სწავლების)“ ექსპერტი, დოქტორი დენიელ ნილი, ეს მოდელები დიდი რაოდენობით მონაცემებს ეყრდნობა. ასევე, ძალიან რთულია ინდივიდებისგან მაღალი ხარისხის მონაცემების მიღება.

კიდევ ერთი პრობლემაა იშვიათი, მოულოდნელი გვერდითი მოვლენები , რომლებიც შეიძლება გამოიწვიოს პრეპარატმა. ეს მოვლენები ხშირად არ არის გათვალისწინებული საკონტროლო ჯგუფისთვის შექმნილი მოდელით.

თუმცა, დოქტორ ნილის ყველაზე დიდი შიში ის არის, რომ ეს პროგნოზირებადი მოდელი „ჩვეულებრივი საქმიანობის“ პრინციპს ეფუძნება. წარმოიდგინეთ ისეთი დიდი, მოულოდნელი მოვლენა, როგორიცაა COVID-19 პანდემია, რომელიც ყველას ქცევას ცვლის და ადამიანებს აავადებს. „საკონტროლო მოდელები ამას არ ითვალისწინებენ“, ამბობს ის. შემდეგ, ამ მოვლენების გამო, რომლებიც საკონტროლო ჯგუფმა არ გაითვალისწინა, ექსპერიმენტის საბოლოო შედეგები შეიძლება სრულიად განსხვავებული იყოს.

მაშ, შესაძლებელია თუ არა ამის გამოყენება? რას გვიმზადებს მომავალი?

ერიკ ტოპოლი, ჯანდაცვაში ციფრული ტექნოლოგიების გამოყენების ექსპერტი, ფიქრობს, რომ იდეა შესანიშნავია, თუმცა ჯერ შესაფერისი დრო არ დამდგარა. „არა მგონია, კლინიკური კვლევები უახლოეს მომავალში შეიცვალოს. რადგან ეს მოითხოვს მონაცემთა მრავალ ფენას, ჯანმრთელობის ჩანაწერების გარდა, როგორიცაა გენომის თანმიმდევრობები, ნაწლავის მიკრობიომი, გარემოს მონაცემები“.

ჩარლზ ფიშერის, Unlearn.AI-ის დამფუძნებლის, ამ ტექნოლოგიის პიონერის თქმით, მონაცემთა კონფიდენციალურობისა და მიკერძოების პრობლემების გადაჭრის გზები უკვე არსებობს. „კონფიდენციალურობა მარტივია. ჩვენ მხოლოდ იმ მონაცემებთან ვმუშაობთ, რომლებიც უკვე ანონიმიზებულია“.

მიკერძოებაზე საუბრისას, ის ამბობს, რომ მიუხედავად იმისა, რომ საკითხი ბოლომდე არ არის გადაჭრილი, ის კვლევის შედეგებს არ ეხება. რადგან კვლევები შემთხვევითობის პრინციპით ტარდება, მონაცემებში გარკვეული მიკერძოების არსებობის შემთხვევაშიც კი, ეს შედეგებზე გავლენას არ ახდენს. თუმცა, ზოგიერთი ექსპერტი ამ აზრს არ ეთანხმება. ისინი ამბობენ,რადგან თქვენ ადარებთ რეალურ ადამიანს კომპიუტერულ მოდელს, თუ ამ მოდელში რაიმე შეცდომაა, ამან შეიძლება პირდაპირ გავლენა მოახდინოს შედეგებზე.

თუმცა, Unlearn.AI უკვე თანამშრომლობს ფარმაცევტულ კომპანიებთან ნევროლოგიური დაავადებების, როგორიცაა ალცჰაიმერი, პარკინსონი და გაფანტული სკლეროზი, კლინიკური კვლევების შემუშავებაზე. მათ ეს დაავადებები კარგი საწყისი წერტილი აირჩიეს, რადგან სხვებთან შედარებით მეტი მონაცემი აქვთ. ფიშერი ამბობს, რომ თუ მეთოდი ერთ დღეს ყველა დაავადებისთვის იქნება გამოყენებული, ამან შეიძლება მნიშვნელოვნად შეამციროს ახალი პრეპარატების ბაზარზე გამოსვლის დრო.