Savo „skaitmeniniu dvyniu“? Naujausia technologija, kuri pakeis narkotikų testavimą (skaitmeninis dvynys)

Ar kada susimąstėte, kiek laiko užtruko, kol tą tabletę, kurią išgėrėte šįryt, pasiekė jūsų rankas? Pirmiausia laboratorijose atliekami išsamūs tyrimai. Tada jie išbandomi su gyvūnais. Tačiau prieš patvirtinant jų naudojimą žmonėms, jie turi juos išbandyti su žmonėmis. Tai vadiname klinikiniu tyrimu. Tai labai sudėtingas ir brangus procesas.

Paprastai tariant, kas yra klinikinis tyrimas?

Paprastai tariant, klinikinis tyrimas vyksta taip: tyrėjai surenka pacientus, sergančius liga, į kurią nukreiptas naujai sukurtas vaistas. Šie savanoriai atsitiktine tvarka suskirstomi į dvi grupes.

1. Pirmajai grupei duodamas naujas vaistas, kuris bus tiriamas.

2. Antrajai grupei , „kontrolinei grupei“, duodamas placebas, kuriame nėra veikliosios medžiagos ir kuris atrodo lygiai taip pat, kaip vaistas. Mes tai vadiname „placebu“.

Jei šio tyrimo pabaigoje tų, kurie vartojo naują vaistą, simptomai pagerėjo labiau nei tų, kurie vartojo placebą, tai įrodo, kad naujasis vaistas yra veiksmingas.

Vienas didžiausių iššūkių tokiame tyrime yra rasti pakankamai pacientų, kurie būtų idealiai tinkami tyrimui. Kartais net gydytojai nežino, kurie tyrimai tinkamiausi jų pacientams. Be to, pacientų, norinčių dalyvauti, charakteristikos gali neatitikti tyrimo reikalavimų. Tačiau dirbtinis intelektas (DI) galėtų labai palengvinti šią užduotį.

Susipažinkite su savo „skaitmeniniu dvyniu“

Įsivaizduokite, kad turite savo kompiuterinį modelį, tai yra, skaitmeninę savo kopiją. Tai vadinama „skaitmeniniu dvyniu“. Tai tiesiog „kompiuteriniai modeliai“, kurie kompiuteryje imituoja realaus pasaulio objektą ar sistemą. Tačiau žiūrint skaitmeniniu būdu, jie elgiasi lygiai taip pat, kaip ir tikras daiktas. Geriausias pavyzdys yra tada, kai sprogo deguonies balionas „Apollo 13“ erdvėlaivyje, NASA padėjo jį suremontuoti naudodama to paties erdvėlaivio „skaitmeninį dvynį“, pagamintą Žemėje.

Dabar mokslininkai, turėdami pakankamai „duomenų“, gali sukurti žmogaus „skaitmeninį dvynį“. Tam naudojama dirbtinio intelekto technologija, vadinama „mašininiu mokymusi“. Paprastai tariant, tai reiškia, kad kompiuterinei programai pateikiamas didelis duomenų kiekis ir leidžiama jai iš jų mokytis.

Skaitmeniniai pacientų dvyniai sukuriami apmokant šiuos mašininio mokymosi modelius naudojant ankstesnių klinikinių tyrimų duomenis ir kiekvieno paciento asmeninius medicininius įrašus. Tada modelis gali numatyti, kaip paciento sveikata pasikeis tyrimo metu, jei jam bus duodamas placebas.Tai yra, tam pačiam pacientui sukuriama kompiuteriu sukurta kontrolinė grupė (modeliuota kontrolinė grupė).

Dabar pažiūrėkime, kaip tai veikia. Tarkime, kad asmuo, vardu „Samadhi“, yra atrenkamas į grupę, kuri gauna naują vaistą. Kontrolinėje grupėje yra Samadhi „skaitmeninis dvynys“, kompiuterinis modelis. Modelis prognozuoja, kas nutiktų, jei Samadhi būtų duodamas „placebas“, o ne tikrasis vaistas. Galiausiai skirtumas tarp tikrosios Samadhi reakcijos į vaistą ir to, kas, remiantis modelio prognozėmis, nutiktų, jei jis vartotų „placebą“, yra vaisto veiksmingumo Samadhi matas.

Pažvelkime į šią lentelę, kad aiškiai pamatytume „skaitmeninių dvynių“ naudojimo pranašumus, palyginti su tradicinėmis valdymo komandomis.

Nors ši technologija gera, ar nėra problemų?

Nors ši technologija žada daug ateičiai, ji dar nėra plačiai naudojama. Tam gali būti svarių priežasčių. Kaip pažymi dr. Danielis Nealas, „(mašininio mokymosi)“ ekspertas, šie modeliai remiasi dideliais duomenų kiekiais. Be to, labai sunku gauti aukštos kokybės duomenis iš asmenų.

Kita problema yra reti, netikėti šalutiniai poveikiai , kuriuos gali sukelti vaistas. Jie dažnai neįtraukiami į kontrolinei grupei sukurtą modelį.

Tačiau labiausiai dr. Nealą baimina tai, kad šis prognozavimo modelis pagrįstas „įprasto verslo“ principu. Įsivaizduokite didelį, netikėtą įvykį, pavyzdžiui, COVID-19 pandemiją, kuris pakeičia visų elgesį ir sukelia žmonių ligas. „Kontrolės modeliai į tai neatsižvelgia“, – sako jis. Tuomet dėl ​​šių įvykių, į kuriuos kontrolinė grupė neatsižvelgė, galutiniai eksperimento rezultatai gali būti visiškai kitokie.

Taigi, ar tai tikrai galima panaudoti? Kas laukia ateityje?

Ericas Topolis, skaitmeninių technologijų naudojimo sveikatos priežiūros srityje ekspertas, mano, kad idėja puiki, tačiau laikas jai dar ne pats tinkamiausias. „Nemanau, kad klinikiniai tyrimai artimiausiu metu pasikeis. Nes tam reikia kelių duomenų sluoksnių, ne tik sveikatos įrašų, tokių kaip genomo sekos, žarnyno mikrobiomas, aplinkos duomenys.“

Pasak Charleso Fisherio, „Unlearn.AI“, šios technologijos pradininko, įkūrėjo, jau yra sprendimų duomenų privatumo ir šališkumo problemoms. „Privatumas yra paprastas. Mes dirbame tik su jau anonimizuotais duomenimis.“

Kalbėdamas apie šališkumą, jis teigia, kad nors problema nėra iki galo išspręsta, ji nėra svarbi tyrimo rezultatams. Kadangi tyrimai yra atsitiktiniai, net jei duomenyse yra tam tikras šališkumas, tai neturi įtakos rezultatams. Tačiau kai kurie ekspertai su šia mintimi nesutinka. Jie sako:Kadangi lyginate realų žmogų su kompiuteriniu modeliu, jei tame modelyje yra kokių nors klaidų, tai gali tiesiogiai paveikti rezultatus.

Tačiau „Unlearn.AI“ jau bendradarbiauja su farmacijos įmonėmis, kurdama klinikinius neurologinių ligų, tokių kaip Alzheimerio, Parkinsono ir išsėtinės sklerozės, tyrimus. Jie pasirinko šias ligas kaip gerą pradžios tašką, nes jos turi daugiau duomenų nei kitos. Fisher teigia, kad jei šį metodą vieną dieną bus galima pritaikyti visoms ligoms, tai galėtų gerokai sutrumpinti laiką, per kurį nauji vaistai patenka į rinką.