Бүгін таңертең қабылдаған таблеткаңыздың қолыңызға жетуі қанша уақыт алғанын ойлап көрдіңіз бе? Алдымен олар зертханаларда кең көлемді зерттеулер жүргізеді. Содан кейін оны жануарларға сынақтан өткізеді. Бірақ оларды адамдарға қолдануға рұқсат етпес бұрын, олар оны адамдарға сынақтан өткізуі керек. Біз мұны клиникалық сынақ деп атаймыз. Бұл өте күрделі және қымбат процесс.
Қарапайым тілмен айтқанда, клиникалық сынақ дегеніміз не?
Қарапайым тілмен айтқанда, клиникалық сынақ келесідей жұмыс істейді: зерттеушілер жаңадан жасалған препарат нысанаға алған аурумен ауыратын науқастарды жинайды. Содан кейін бұл еріктілер кездейсоқ екі топқа бөлінеді.
1. Бірінші топқа сынақтан өткізілетін жаңа дәрі беріледі.
2. Екінші топқа , «бақылау тобына», белсенді ингредиенті жоқ және препаратқа ұқсас плацебо беріледі. Біз мұны «плацебо» деп атаймыз.
Егер осы сынақтың соңында жаңа препаратты қабылдағандардың симптомдары плацебо қабылдағандарға қарағанда жақсарған болса, онда бұл жаңа препараттың тиімді екенін дәлелдейді.
Мұндай сынақтағы ең үлкен қиындықтардың бірі - сынаққа дәл сәйкес келетін жеткілікті пациенттерді табу. Кейде тіпті дәрігерлер де өз пациенттеріне қай сынақтар сәйкес келетінін білмейді. Сондай-ақ, қатысқысы келетін пациенттердің сипаттамалары сынақ талаптарына сәйкес келмеуі мүмкін. Дегенмен, жасанды интеллект (ЖИ) бұл тапсырманы әлдеқайда жеңілдете алады.
«Сандық егізіңізбен» танысыңыз
Өзіңіздің компьютерлік моделіңіз, яғни өзіңіздің сандық көшірмеңіз бар деп елестетіп көріңіз. Міне, осы «сандық егіз» деп аталады. Бұл компьютердегі нақты әлемдегі нысанды немесе жүйені модельдейтін «компьютерлік модельдер». Бірақ сандық түрде қараған кезде, олар нақты нәрсе сияқты әрекет етеді. Ең жақсы мысал - «Аполлон-13» ғарыш кемесіндегі оттегі баллоны жарылған кезде, NASA оны Жерде жасалған ғарыш кемесінің «сандық егізімен» жөндеуге көмектесті.
Енді ғалымдар жеткілікті «деректер» берілген жағдайда адамның «сандық егізін» жасай алады. Бұл «Машиналық оқыту» деп аталатын жасанды интеллект технологиясын пайдаланады. Қарапайым тілмен айтқанда, бұл компьютерлік бағдарламаға көп мөлшерде деректер беріп, оның одан үйренуіне мүмкіндік беруді қамтиды.
Пациенттердің сандық егіздері алдыңғы клиникалық сынақтардан алынған деректерді және әрбір пациенттің жеке медициналық жазбаларын пайдалана отырып, осы машиналық оқыту модельдерін оқыту арқылы жасалады. Содан кейін модель пациентке плацебо берілсе, оның денсаулығы сынақ барысында қалай өзгеретінін болжай алады.Яғни, сол пациент үшін компьютерде жасалған бақылау тобы (Симуляцияланған бақылау тобы) құрылады.
Енді бұл қалай жұмыс істейтінін көрейік. Айталық, жаңа дәрі қабылдайтын топқа «Самадхи» есімді біреу таңдалды делік. Самадхидің «сандық егіз» компьютерлік моделі бақылау тобында. Модель Самадхиге нақты дәрінің орнына «плацебо» берілсе не болатынын болжайды. Сайып келгенде, Самадхидің дәріге нақты реакциясы мен модель «плацебо» қабылдаса не болатынын болжаған арасындағы айырмашылық препараттың Самадхи үшін қаншалықты тиімді екенін көрсетеді.
Бұл әдістің ең үлкен артықшылықтарының бірі - клиникалық сынаққа қатысатын әрбір адам жаңа препаратты алу мүмкіндігіне ие, себебі «плацебо» олардың сандық егізіне беріледі.
Дәстүрлі басқару командаларының орнына «Сандық егіздерді» қолданудың артықшылықтарын анық көру үшін осы кестеге назар аударайық.
| Сипаттамасы | Дәстүрлі әдіс | Сандық егіз әдісі |
|---|---|---|
| Басқару тобы | Нақты адамдардан тұрады. Олар (Плацебо) алады. | Компьютерлік модельдерден тұрады (Digital Twins). |
| Пациенттер үшін артықшылық | Плацебо алу мүмкіндігі 50% құрайды. Бұл жаңа препаратты қабылдамауға болатынын білдіреді. | Көптеген адамдар нақты дәріні сынап көруге мүмкіндік алады. |
| Қажетті еріктілер саны | Көбірек адам қажет (екі командаға да). | Тестті аз ғана адамдармен жүргізуге болады. |
| Уақыт және шығын | Өте биік. | Айтарлықтай азайтуға болады. |
Бұл технология жақсы болғанымен, қиындықтар туындамай ма?
Бұл технология болашақта үлкен үміт күттіргенімен, ол әлі кеңінен қолданылған жоқ. Мұның жақсы себептері болуы мүмкін. «(Машиналық оқыту)» саласындағы сарапшы доктор Дэниел Нил атап өткендей, бұл модельдер үлкен көлемдегі деректерге сүйенеді. Сондай-ақ, жеке тұлғалардан жоғары сапалы деректер алу өте қиын.
«Адамдар көбінесе тамақтану және жаттығу әдеттері сияқты нәрселер туралы өздеріне хабарлайды. Адамдар әрқашан шындықты айта бермейді. Олар жасайтын жаттығуларының мөлшерін асыра айтып, жейтін зиянды тағамдарының мөлшерін азайтып көрсетеді».
Тағы бір мәселе - дәрілік заттың тудыруы мүмкін сирек кездесетін, күтпеген жанама әсерлері . Бұл әсерлер көбінесе бақылау тобына арналған модельде қамтылмайды.
Бірақ доктор Нилдің ең үлкен қорқынышы - бұл болжамдық модель «әдеттегідей жұмыс істеуге» негізделген. COVID-19 пандемиясы сияқты әрбір адамның мінез-құлқын өзгертіп, адамдарды ауруға шалдықтыратын үлкен, күтпеген оқиғаны елестетіп көріңіз. «Бақылау модельдері мұны ескермейді», - дейді ол. Содан кейін, бақылау тобы ескермеген осы оқиғаларға байланысты эксперименттің соңғы нәтижелері мүлдем басқаша болуы мүмкін.
Сонымен, мұны шынымен де қолдануға бола ма? Болашақта не болады?
Денсаулық сақтау саласында цифрлық технологияларды қолдану жөніндегі сарапшы Эрик Топол бұл идеяның керемет екенін, бірақ уақыты әлі келген жоқ деп санайды. «Менің ойымша, клиникалық сынақтар жақын арада өзгереді деп ойламаймын. Өйткені бұл геном тізбегі, ішек микробиомасы, қоршаған орта деректері сияқты денсаулық сақтау жазбаларынан басқа бірнеше деңгейлі деректерді қажет етеді».
Unlearn.AI негізін қалаушы, осы технологияның пионері Чарльз Фишердің айтуынша, деректердің құпиялылығы мен бейтараптығы мәселелеріне шешімдер қазірдің өзінде бар. «Құпиялылық оңай. Біз тек анонимделген деректермен жұмыс істейміз».
Біржақтылық туралы айтқан кезде, ол мәселе толық шешілмегенімен, оның зерттеу нәтижелеріне қатысы жоқ екенін айтады. Зерттеулер кездейсоқ таңдалғандықтан, деректерде біржақтылық болса да, бұл нәтижелерге әсер етпейді. Дегенмен, кейбір сарапшылар бұл пікірмен келіспейді. Олар былай дейді:Сіз нақты адамды компьютерлік модельмен салыстырып жатқандықтан, егер сол модельде қате болса, бұл нәтижелерге тікелей әсер етуі мүмкін.
Дегенмен, Unlearn.AI фармацевтикалық компаниялармен бірлесіп, Альцгеймер, Паркинсон және шашыранды склероз сияқты неврологиялық ауруларға арналған клиникалық сынақтарды әзірлеуде. Олар бұл ауруларды бастау үшін жақсы орын ретінде таңдады, себебі оларда басқаларға қарағанда көбірек деректер бар. Фишердің айтуынша, егер бұл әдіс бір күні барлық ауруларға қолданыла алса, бұл жаңа дәрілердің нарыққа шығу уақытын айтарлықтай қысқартуы мүмкін.
Үйге алып кету туралы хабарлама
- Сандық егіз - бұл жаңа дәрілерді сынайтын клиникалық сынақтарда қолданылатын нақты пациенттің компьютерлік моделі.
- Бұл бақылау тобы үшін нақты адамдарды пайдаланудың орнына осы сандық модельдерді пайдалануға мүмкіндік береді.
- Бұл әдістің басты артықшылығы - сынаққа қатысушылардың көпшілігі тексеріліп жатқан дәріні алуға мүмкіндік алады.
- Дегенмен, жоғары сапалы деректерді алудың қиындығы және күтпеген оқиғаларды модельдеу мүмкін еместігі сияқты қиындықтар әлі де бар.
- Бұл технология медицинаның болашағы үшін үлкен үміт күттіргенімен, ол әлі де бастапқы кезеңде. Егер сізде қандай да бір алаңдаушылық немесе күмән туындаса, дәрігеріңізбен кеңесу маңызды.
💬 අදහස් (0)
තවමත් කිසිදු අදහසක් පළ කර නොමැත. ඔබේ අදහස පළමු වරට මෙහි එක් කරන්න.
ඔබේ අදහස එක් කරන්න