Vai esat kādreiz domājuši, cik ilgs laiks pagāja, līdz tablete, ko šorīt iedzērāt, nonāca jūsu rokās? Vispirms laboratorijās tiek veikti plaši pētījumi. Pēc tam to testē uz dzīvniekiem. Bet pirms to apstiprināšanas lietošanai cilvēkiem, tas ir jāpārbauda uz cilvēkiem. To mēs saucam par klīnisko pētījumu. Tas ir ļoti sarežģīts un dārgs process.
Vienkārši sakot, kas ir klīniskais pētījums?
Vienkārši sakot, klīniskais pētījums darbojas šādi: pētnieki piesaista pacientus ar slimību, uz kuru vērstas jaunizstrādātās zāles. Šie brīvprātīgie pēc tam tiek nejauši sadalīti divās grupās.
1. Pirmajai grupai tiek dotas jaunās zāles testēšanai.
2. Otrajai grupai , "kontroles grupai", tiek dots placebo, kam nav aktīvās vielas un kas izskatās tieši tāpat kā zāles. Mēs to saucam par "placebo".
Ja šī pētījuma beigās to pacientu simptomi, kuri lietoja jaunās zāles, ir uzlabojušies vairāk nekā to pacientu simptomi, kuri lietoja placebo, tas pierāda, ka jaunās zāles ir efektīvas.
Viens no lielākajiem izaicinājumiem šādā pētījumā ir atrast pietiekami daudz pacientu, kuri ir tieši piemēroti pētījumam. Dažreiz pat ārsti nezina, kuri pētījumi ir piemēroti viņu pacientiem. Turklāt pacientu, kuri vēlas piedalīties, raksturlielumi var neatbilst pētījuma prasībām. Tomēr mākslīgais intelekts (MI) varētu ievērojami atvieglot šo uzdevumu.
Iepazīsties ar savu "digitālo dvīni"
Iedomājieties, ka jums ir savs datora modelis, tas ir, jūsu digitālā kopija. To sauc par "digitālo dvīni". Tie ir tikai "datormodeļi", kas simulē reālas pasaules objektu vai sistēmu datorā. Bet, skatoties skaitliski, tie uzvedas tieši tāpat kā īstā lieta. Labākais piemērs ir tad, kad Apollo 13 kosmosa kuģī eksplodēja skābekļa tvertne, NASA palīdzēja to salabot ar tā paša kosmosa kuģa "digitālo dvīni", kas uzbūvēts uz Zemes.
Tagad zinātnieki, ņemot vērā pietiekami daudz datu, var radīt cilvēka "digitālo dvīni". Tas izmanto mākslīgā intelekta tehnoloģiju, ko sauc par "mašīnmācīšanos". Vienkārši sakot, tas nozīmē datorprogrammai sniegt lielu datu apjomu un ļaut tai no tiem mācīties.
Pacientu digitālie dvīņi tiek veidoti, apmācot šos mašīnmācīšanās modeļus, izmantojot datus no iepriekšējiem klīniskajiem pētījumiem un katra pacienta personīgo medicīnisko dokumentāciju. Pēc tam modelis var paredzēt, kā pacienta veselības stāvoklis mainīsies pētījuma gaitā, ja viņam tiks ievadīts placebo.Tas nozīmē, ka tam pašam pacientam tiek izveidota ar datoru ģenerēta kontroles grupa (simulēta kontroles grupa).
Tagad apskatīsim, kā tas darbojas. Pieņemsim, ka kāds vārdā "Samadhi" tiek izvēlēts grupā, kas saņem jaunas zāles. Samadhi "digitālais dvīnis", datormodelis, ir kontroles grupā. Modelis prognozē, kas notiktu, ja Samadhi saņemtu "placebo", nevis faktiskās zāles. Galu galā atšķirība starp Samadhi faktisko reakciju uz zālēm un to, ko modelis prognozēja, ja viņš lietotu "placebo", ir zāļu efektivitātes mērs Samadhi.
Viena no šīs metodes lielākajām priekšrocībām ir tā, ka gandrīz ikvienam, kurš piedalās klīniskajā pētījumā, ir iespēja saņemt jaunās zāles, jo "placebo" tiek ievadīts viņu digitālajam dvīnim.
Apskatīsim šo tabulu, lai skaidri redzētu "digitālo dvīņu" izmantošanas priekšrocības tradicionālo vadības komandu vietā.
| Raksturīgs | Tradicionālā metode | Digitālā dvīņa metode |
|---|---|---|
| Kontroles grupa | Sastāv no reāliem cilvēkiem. Viņi saņem (placebo). | Sastāv no datormodeļiem (digitālie dvīņi). |
| Priekšrocības pacientiem | Pastāv 50% iespēja iegūt placebo. Tas nozīmē, ka jūs varat izlaist jauno zāļu lietošanu. | Daudziem cilvēkiem ir iespēja izmēģināt īstās zāles. |
| Nepieciešamais brīvprātīgo skaits | Nepieciešams vairāk cilvēku (abām komandām). | Testu var veikt ar nelielu cilvēku skaitu. |
| Laiks un izmaksas | Ļoti augsts. | Var ievērojami samazināt. |
Lai gan šī tehnoloģija ir laba, vai nav problēmu?
Lai gan šī tehnoloģija ir ļoti daudzsološa nākotnē, tā vēl nav plaši izmantota. Tam varētu būt labi iemesli. Kā norāda Dr. Daniels Nīls, mašīnmācīšanās eksperts, šie modeļi balstās uz lielu datu apjomu. Turklāt ir ļoti grūti iegūt augstas kvalitātes datus no indivīdiem.
"Cilvēki bieži paši ziņo par tādām lietām kā viņu uzturs un fizisko aktivitāšu paradumi. Cilvēki ne vienmēr saka patiesību. Viņi mēdz pārspīlēt fizisko aktivitāšu apjomu un nenovērtēt neveselīgā ēdiena daudzumu, ko viņi apēd."
Vēl viena problēma ir retās, negaidītās blakusparādības , ko var izraisīt zāles. Tās bieži vien nav iekļautas kontroles grupai izstrādātajā modelī.
Taču Dr. Nīla lielākās bailes ir tādas, ka šis paredzošais modelis ir balstīts uz "ierasto biznesu". Iedomājieties lielu, negaidītu notikumu, piemēram, COVID-19 pandēmiju, kas maina ikviena uzvedību un padara cilvēkus slimus. "Kontroles modeļi to neņem vērā," viņš saka. Tad šo notikumu dēļ, kurus kontroles grupa neņēma vērā, eksperimenta galīgie rezultāti varētu būt pilnīgi atšķirīgi.
Tātad, vai to tiešām var izmantot? Kas gaidāms nākotnē?
Ēriks Topols, digitālo tehnoloģiju izmantošanas veselības aprūpē eksperts, uzskata, ka ideja ir lieliska, taču vēl nav īstais laiks. "Es nedomāju, ka klīniskie pētījumi tuvākajā nākotnē mainīsies. Jo tiem ir nepieciešami vairāki datu slāņi, ne tikai veselības ieraksti, piemēram, genoma sekvences, zarnu mikrobioms, vides dati."
Kā apgalvo Čārlzs Fišers, Unlearn.AI dibinātājs, kurš ir šīs tehnoloģijas pionieris, datu privātuma un neobjektivitātes problēmām jau ir risinājumi. "Privātums ir vienkāršs. Mēs strādājam tikai ar datiem, kas jau ir anonimizēti."
Runājot par neobjektivitāti, viņš saka, ka, lai gan jautājums nav pilnībā atrisināts, tas nav saistīts ar pētījuma rezultātiem. Tā kā pētījumi ir randomizēti, pat ja datos ir zināma neobjektivitāte, tā neietekmē rezultātus. Tomēr daži eksperti nepiekrīt šai idejai. Viņi saka,Tā kā jūs salīdzināt reālu cilvēku ar datora modeli, ja šajā modelī ir kāda kļūda, tas var tieši ietekmēt rezultātus.
Tomēr Unlearn.AI jau sadarbojas ar farmācijas uzņēmumiem, lai izstrādātu klīniskos pētījumus tādām neiroloģiskām slimībām kā Alcheimera slimība, Parkinsona slimība un multiplā skleroze. Viņi izvēlējās šīs slimības kā labu sākumpunktu, jo tām ir vairāk datu nekā citām. Fišers saka, ka, ja metodi kādu dienu varētu piemērot visām slimībām, tas varētu ievērojami samazināt laiku, kas nepieciešams jaunu zāļu nonākšanai tirgū.
Vēstījums, ko ņemt līdzi mājās
- Digitālais dvīnis ir reāla pacienta datormodelis, ko izmanto klīniskajos pētījumos, testējot jaunas zāles.
- Tas ļauj izmantot šos digitālos modeļus, nevis kontroles grupā izmantot reālus cilvēkus.
- Šīs metodes galvenā priekšrocība ir tā, ka lielākam skaitam pētījuma dalībnieku ir iespēja saņemt faktisko testējamo medikamentu.
- Tomēr joprojām pastāv problēmas, piemēram, grūtības iegūt augstas kvalitātes datus un nespēja modelēt negaidītus notikumus.
- Lai gan šī tehnoloģija ir ļoti daudzsološa medicīnas nākotnei, tā joprojām ir pašos pirmsākumos. Ja jums rodas kādas bažas vai šaubas, ir svarīgi konsultēties ar ārstu .
💬 Comments (0)
Vēl nav publicēts neviens komentārs. Pirmo reizi pievienojiet savu komentāru šeit.
Pievienojiet savu komentāru