Вашиот сопствен „дигитален близнак“? Најновата технологија што ќе го промени тестирањето за дрога (Дигитален близнак)

Дали некогаш сте се запрашале колку време им требаше на таблетите што ги зедовте утрово да стигнат до вашите раце? Прво, тие прават обемни истражувања во лаборатории. Потоа ги тестираат на животни. Но, пред да бидат одобрени за употреба кај луѓе, мора да ги тестираат на луѓе. Ова го нарекуваме клиничко испитување. Тоа е многу комплициран и скап процес.

Едноставно кажано, што е клиничко испитување?

Едноставно кажано, клиничкото испитување функционира вака: Истражувачите регрутираат пациенти со болеста што ја таргетира новоразвиениот лек. Овие волонтери потоа се случајно поделени во две групи.

1. На првата група ѝ се дава новиот лек што треба да се тестира.

2. Втората група , „Контролната група“, добива плацебо кое нема активна состојка и изгледа точно како лекот. Ние го нарекуваме „плацебо“.

Ако, на крајот од ова испитување, симптомите на оние кои го земале новиот лек се подобриле повеќе од оние кои го земале плацебото, тогаш ова докажува дека новиот лек е ефикасен.

Еден од најголемите предизвици во едно такво испитување е пронаоѓањето доволно пациенти кои се токму соодветни за испитувањето. Понекогаш дури и лекарите не знаат кои испитувања се соодветни за нивните пациенти. Исто така, карактеристиките на пациентите кои сакаат да учествуваат може да не одговараат на барањата на испитувањето. Сепак, вештачката интелигенција (ВИ) би можела многу да ја олесни оваа задача.

Запознајте го вашиот „дигитален близнак“

Замислете дека имате свој компјутерски модел, односно дигитална копија од себе. Тоа се нарекува „дигитален близнак“. Ова се само „компјутерски модели“ кои симулираат објект или систем од реалниот свет на компјутер. Но, кога се гледаат нумерички, тие се однесуваат точно како вистинската работа. Најдобар пример е кога експлодирал резервоар со кислород на вселенското летало Аполо 13, НАСА помогнала да се поправи со „дигитален близнак“ од истото вселенско летало изградено на Земјата.

Сега, научниците можат да создадат „дигитален близнак“ од човечко суштество, со доволно „податоци“. Ова користи технологија на вештачка интелигенција наречена „машинско учење“. Едноставно кажано, ова вклучува давање на компјутерска програма голема количина на податоци и нејзино оставање да учи од нив.

Дигиталните близнаци на пациентите се создаваат со тренирање на овие модели на машинско учење користејќи податоци од претходни клинички испитувања и лични медицински картони на секој пациент. Моделот потоа може да предвиди како ќе се промени здравјето на пациентот во текот на испитувањето ако му се даде плацебо.Тоа значи дека за истиот тој пациент се креира компјутерски генерирана контролна група (Симулирана контролна група).

Сега да видиме како функционира ова. Да речеме дека некој по име „Самади“ е избран да биде во групата што прима нов лек. „Дигиталниот близнак“ на Самади, компјутерски модел, е во контролната група. Моделот предвидува што би се случило ако на Самади му се даде „плацебо“ наместо самиот лек. На крајот на краиштата, разликата помеѓу вистинскиот одговор на Самади на лекот и она што моделот предвидел дека би се случило ако го земе „плацебото“ е мерка за тоа колку е ефикасен лекот за Самади.

Да ја погледнеме оваа табела за јасно да ги видиме придобивките од користењето на „Дигитални близнаци“ наместо традиционалните контролни тимови.

Иако оваа технологија е добра, зарем нема проблеми?

Иако оваа технологија ветува многу за иднината, сè уште не е широко користена. Можеби има добри причини за ова. Како што истакнува д-р Даниел Нил, експерт за „(машинско учење)“, овие модели се потпираат на големи количини на податоци. Исто така, многу е тешко да се добијат висококвалитетни податоци од поединци.

Друг проблем се ретките, неочекувани несакани ефекти што може да ги предизвика лекот. Тие честопати не се опфатени со моделот дизајниран за контролната група.

Но, најголемиот страв на д-р Нил е дека овој предикативен модел се базира на „работење како и обично“. Замислете голем, неочекуван настан како пандемијата COVID-19 што го менува однесувањето на сите и ги разболува луѓето. „Контролните модели не го земаат ова предвид“, вели тој. Потоа, поради овие настани што контролната група не ги зела предвид, конечните резултати од експериментот би можеле да бидат сосема различни.

Значи, дали ова навистина може да се искористи? Што ќе донесе иднината?

Ерик Топол, експерт за употреба на дигитална технологија во здравството, смета дека идејата е одлична, но времето сè уште не е вистинско. „Не мислам дека клиничките испитувања ќе се променат во блиска иднина. Бидејќи тоа бара повеќе слоеви на податоци, покрај само здравствените записи, како што се секвенците на геномот, цревниот микробиом, податоците за животната средина.“

Според Чарлс Фишер, основач на Unlearn.AI, пионер во оваа технологија, веќе постојат решенија за проблемите со приватноста на податоците и пристрасноста. „Приватноста е лесна. Работиме само со податоци кои веќе се анонимизирани.“

Кога зборува за пристрасност, тој вели дека иако проблемот не е целосно решен, тој не е релевантен за резултатите од студијата. Бидејќи студиите се рандомизирани, дури и ако има одредена пристрасност во податоците, тоа не влијае на резултатите. Сепак, некои експерти не се согласуваат со оваа идеја. Тие велат,Бидејќи споредувате вистинска личност со компјутерски модел, ако има грешка во тој модел, тоа може директно да влијае на резултатите.

Сепак, Unlearn.AI веќе работи со фармацевтски компании за дизајнирање клинички испитувања за невролошки заболувања како што се Алцхајмерова болест, Паркинсонова болест и мултиплекс склероза. Тие ги избраа овие болести како добро место за почеток бидејќи имаат повеќе податоци од другите. Фишер вели дека ако методот еден ден може да се примени на сите болести, тоа би можело значително да го намали времето потребно за новите лекови да излезат на пазарот.