"Kembar digital" anda sendiri? Teknologi terkini yang akan mengubah ujian dadah (Kembar Digital)

Pernahkah anda tertanya-tanya berapa lama pil yang anda ambil pagi ini sampai ke tangan anda? Pertama, mereka melakukan kajian meluas di makmal. Kemudian mereka mengujinya pada haiwan. Tetapi sebelum ia boleh diluluskan untuk digunakan pada manusia, mereka perlu mengujinya pada manusia. Inilah yang kita panggil percubaan klinikal. Ia adalah proses yang sangat rumit dan mahal.

Secara ringkasnya, apakah itu percubaan klinikal?

Secara ringkasnya, percubaan klinikal berfungsi seperti ini: Penyelidik merekrut pesakit dengan penyakit yang disasarkan oleh ubat yang baru dibangunkan. Sukarelawan ini kemudiannya dibahagikan secara rawak kepada dua kumpulan.

1. Kumpulan pertama diberikan ubat baharu untuk diuji.

2. Kumpulan kedua , "Kumpulan Kawalan", diberi plasebo yang tidak mempunyai bahan aktif dan kelihatan sama seperti ubat. Kami memanggilnya "Placebo".

Jika, pada akhir percubaan ini, simptom-simptom mereka yang mengambil ubat baharu telah bertambah baik berbanding mereka yang mengambil plasebo, maka ini membuktikan bahawa ubat baharu itu berkesan.

Salah satu cabaran terbesar dalam percubaan sedemikian adalah mencari pesakit yang mencukupi yang sesuai untuk percubaan tersebut. Kadangkala doktor pun tidak tahu percubaan mana yang sesuai untuk pesakit mereka. Selain itu, ciri-ciri pesakit yang ingin menyertai mungkin tidak sepadan dengan keperluan percubaan tersebut. Walau bagaimanapun, kecerdasan buatan (AI) boleh menjadikan tugas ini lebih mudah.

Temui "Kembar Digital" anda

Bayangkan anda mempunyai model komputer anda sendiri, iaitu salinan digital diri anda. Itulah yang dipanggil "Kembar Digital". Ini hanyalah "Model Komputer" yang mensimulasikan objek atau sistem dunia sebenar pada komputer. Tetapi apabila dilihat secara berangka, ia bertindak seperti benda sebenar. Contoh terbaik ialah apabila tangki oksigen pada kapal angkasa Apollo 13 meletup, NASA membantu membaikinya dengan "Kembar Digital" daripada kapal angkasa yang sama yang dibina di Bumi.

Kini, saintis boleh mencipta "Kembar Digital" manusia, dengan "data" yang mencukupi. Ini menggunakan teknologi kecerdasan buatan yang dipanggil "Pembelajaran Mesin". Secara ringkasnya, ini melibatkan pemberian sejumlah besar data kepada program komputer dan membiarkannya belajar daripadanya.

Kembar Digital pesakit dicipta dengan melatih model Pembelajaran Mesin ini menggunakan data daripada ujian klinikal terdahulu dan rekod perubatan peribadi setiap pesakit. Model tersebut kemudiannya boleh meramalkan bagaimana kesihatan pesakit akan berubah sepanjang percubaan jika mereka diberi plasebo.Iaitu, kumpulan kawalan yang dijana komputer (Kumpulan Kawalan Simulasi) dicipta untuk pesakit yang sama.

Sekarang mari kita lihat bagaimana ini berfungsi. Katakan seseorang bernama "Samadhi" dipilih untuk berada dalam kumpulan yang menerima ubat baharu. "Digital Twin" Samadhi, iaitu model komputer, berada dalam kumpulan kawalan. Model tersebut meramalkan apa yang akan berlaku jika Samadhi diberi "Placebo" dan bukannya ubat sebenar. Akhirnya, perbezaan antara tindak balas sebenar Samadhi terhadap ubat tersebut dan apa yang diramalkan oleh model jika dia mengambil "Placebo" adalah ukuran sejauh mana keberkesanan ubat tersebut untuk Samadhi.

Mari kita lihat jadual ini untuk melihat dengan jelas manfaat menggunakan "Digital Twins" dan bukannya pasukan kawalan tradisional.

Walaupun teknologi ini bagus, bukankah ada masalah?

Walaupun teknologi ini menjanjikan masa depan yang besar, ia masih belum digunakan secara meluas. Mungkin terdapat sebab yang kukuh untuk ini. Seperti yang ditunjukkan oleh Dr. Daniel Neal, pakar dalam "(Pembelajaran Mesin), model-model ini bergantung pada sejumlah besar data. Selain itu, sangat sukar untuk mendapatkan data berkualiti tinggi daripada individu.

Satu lagi isu ialah kesan sampingan yang jarang berlaku dan tidak dijangka yang boleh disebabkan oleh ubat. Ini selalunya tidak diliputi oleh model yang direka bentuk untuk kumpulan kawalan.

Tetapi ketakutan terbesar Dr. Neal ialah model ramalan ini berdasarkan "urusan seperti biasa." Bayangkan peristiwa besar yang tidak dijangka seperti pandemik COVID-19 yang mengubah tingkah laku semua orang dan membuat orang sakit. "Model kawalan tidak mengambil kira perkara ini," katanya. Kemudian, disebabkan peristiwa-peristiwa ini yang tidak diambil kira oleh kumpulan kawalan, keputusan akhir eksperimen mungkin sama sekali berbeza.

Jadi bolehkah ini benar-benar digunakan? Apakah masa depan yang akan datang?

Eric Topol, seorang pakar dalam penggunaan teknologi digital dalam penjagaan kesihatan, berpendapat idea itu hebat, tetapi masanya belum tepat. "Saya tidak fikir ujian klinikal akan berubah dalam masa terdekat. Kerana ia memerlukan pelbagai lapisan data, melangkaui sekadar rekod kesihatan, seperti urutan genom, mikrobiom usus, data persekitaran."

Menurut Charles Fisher, pengasas Unlearn.AI, perintis dalam teknologi ini, sudah ada penyelesaian kepada masalah privasi dan bias data. "Privasi itu mudah. ​​Kami hanya bekerja dengan data yang telah dirahsiakan identitinya."

Apabila bercakap tentang bias, beliau mengatakan bahawa walaupun isu tersebut belum diselesaikan sepenuhnya, ia tidak relevan dengan hasil kajian. Oleh kerana kajian tersebut adalah rawak, walaupun terdapat sedikit bias dalam data, ia tidak menjejaskan keputusan. Walau bagaimanapun, sesetengah pakar tidak bersetuju dengan idea ini. Mereka mengatakan,Oleh kerana anda membandingkan orang sebenar dengan model komputer, jika terdapat sebarang ralat dalam model tersebut, ia boleh menjejaskan keputusan secara langsung.

Walau bagaimanapun, Unlearn.AI sudah bekerjasama dengan syarikat farmaseutikal untuk mereka bentuk ujian klinikal untuk penyakit neurologi seperti Alzheimer, Parkinson dan sklerosis berbilang. Mereka memilih penyakit ini sebagai tempat yang baik untuk bermula kerana mereka mempunyai lebih banyak data berbanding yang lain. Fisher mengatakan bahawa jika kaedah ini boleh digunakan untuk semua penyakit pada suatu hari nanti, ia boleh mengurangkan masa yang diperlukan untuk ubat baharu dipasarkan dengan ketara.