Jouw eigen "digitale tweeling"? De nieuwste technologie die drugstesten zal veranderen (Digitale Tweeling)

Heb je je ooit afgevraagd hoe lang het duurde voordat die pil die je vanochtend hebt ingenomen bij jou terechtkwam? Eerst wordt er uitgebreid onderzoek gedaan in laboratoria. Daarna wordt het getest op dieren. Maar voordat het goedgekeurd kan worden voor gebruik bij mensen, moet het ook op mensen getest worden. Dit noemen we een klinische proef. Het is een zeer ingewikkeld en kostbaar proces.

Wat is een klinische studie, simpel gezegd?

Simpel gezegd werkt een klinische studie als volgt: onderzoekers werven patiënten met de ziekte waarop het nieuw ontwikkelde medicijn zich richt. Deze vrijwilligers worden vervolgens willekeurig verdeeld over twee groepen.

1. De eerste groep krijgt het nieuwe medicijn dat getest moet worden.

2. De tweede groep , de controlegroep, krijgt een placebo die geen werkzame stof bevat en er precies hetzelfde uitziet als het geneesmiddel. We noemen dit een placebo.

Als aan het einde van dit onderzoek blijkt dat de symptomen van degenen die het nieuwe medicijn hebben ingenomen meer verbeterd zijn dan die van degenen die een placebo hebben gekregen, dan bewijst dit dat het nieuwe medicijn effectief is.

Een van de grootste uitdagingen bij een dergelijk onderzoek is het vinden van voldoende patiënten die precies geschikt zijn voor het onderzoek. Soms weten zelfs artsen niet welke onderzoeken geschikt zijn voor hun patiënten. Bovendien komen de kenmerken van de patiënten die willen deelnemen mogelijk niet overeen met de eisen van het onderzoek. Kunstmatige intelligentie (AI) zou deze taak echter aanzienlijk kunnen vereenvoudigen.

Maak kennis met je "digitale tweeling".

Stel je voor dat je een computermodel van jezelf hebt, oftewel een digitale kopie. Dat noemen we een 'digitale tweeling'. Dit zijn computermodellen die een object of systeem uit de echte wereld simuleren op een computer. Maar numeriek gezien gedragen ze zich precies zoals het origineel. Het beste voorbeeld hiervan is de explosie van een zuurstoftank in het Apollo 13-ruimtevaartuig. NASA hielp bij de reparatie met behulp van een 'digitale tweeling' van hetzelfde ruimtevaartuig, gebouwd op aarde.

Wetenschappers kunnen nu, mits ze voldoende gegevens hebben, een 'digitale tweeling' van een mens creëren. Dit gebeurt met behulp van een kunstmatige intelligentietechnologie genaamd 'machine learning'. Simpel gezegd houdt dit in dat een computerprogramma een grote hoeveelheid gegevens krijgt en daarvan leert.

Digitale tweelingen van patiënten worden gecreëerd door deze machine learning-modellen te trainen met behulp van gegevens uit eerdere klinische onderzoeken en de persoonlijke medische dossiers van elke patiënt. Het model kan vervolgens voorspellen hoe de gezondheid van een patiënt zal veranderen gedurende het onderzoek als deze een placebo krijgt toegediend.Dat wil zeggen, er wordt een computergegenereerde controlegroep (gesimuleerde controlegroep) gecreëerd voor diezelfde patiënt.

Laten we eens kijken hoe dit werkt. Stel, iemand genaamd "Samadhi" wordt geselecteerd voor de groep die een nieuw medicijn krijgt. Samadhi's "digitale tweeling", een computermodel, zit in de controlegroep. Het model voorspelt wat er zou gebeuren als Samadhi een "placebo" zou krijgen in plaats van het eigenlijke medicijn. Uiteindelijk is het verschil tussen Samadhi's daadwerkelijke reactie op het medicijn en wat het model voorspelde dat er zou gebeuren als hij de "placebo" zou krijgen, een maatstaf voor hoe effectief het medicijn voor Samadhi is.

Laten we deze tabel bekijken om de voordelen van het gebruik van 'digitale tweelingen' in plaats van traditionele controleteams duidelijk te zien.

Hoewel deze technologie goed is, kleven er toch ook problemen aan?

Hoewel deze technologie veelbelovend is voor de toekomst, wordt ze nog niet op grote schaal gebruikt. Daar kunnen goede redenen voor zijn. Zoals Dr. Daniel Neal, een expert in machine learning, opmerkt, zijn deze modellen afhankelijk van grote hoeveelheden data. Bovendien is het erg moeilijk om hoogwaardige data van individuen te verkrijgen.

Een ander probleem zijn de zeldzame, onverwachte bijwerkingen die een geneesmiddel kan veroorzaken. Deze worden vaak niet meegenomen in het model dat is ontworpen voor de controlegroep.

Maar de grootste angst van Dr. Neal is dat dit voorspellingsmodel gebaseerd is op "business as usual". Stel je een grote, onverwachte gebeurtenis voor, zoals de COVID-19-pandemie, die ieders gedrag verandert en mensen ziek maakt. "Controlemodellen houden hier geen rekening mee", zegt hij. Door deze gebeurtenissen, waar de controlegroep geen rekening mee hield, zouden de uiteindelijke resultaten van het experiment compleet anders kunnen zijn.

Kan dit dus echt gebruikt worden? Wat brengt de toekomst?

Eric Topol, een expert op het gebied van het gebruik van digitale technologie in de gezondheidszorg, vindt het idee geweldig, maar de tijd is er nog niet rijp voor. "Ik denk niet dat klinische onderzoeken op korte termijn zullen veranderen. Het vereist namelijk meerdere lagen data, naast alleen medische dossiers, zoals genoomsequenties, darmmicrobioom en omgevingsgegevens."

Volgens Charles Fisher, oprichter van Unlearn.AI, een pionier op dit gebied, bestaan ​​er al oplossingen voor de problemen rond gegevensprivacy en vooringenomenheid. "Privacy is eenvoudig. We werken alleen met gegevens die al geanonimiseerd zijn."

Als hij het over vertekening heeft, zegt hij dat hoewel de kwestie nog niet volledig is opgelost, deze niet relevant is voor de resultaten van het onderzoek. Omdat de onderzoeken gerandomiseerd zijn, heeft zelfs een eventuele vertekening in de data geen invloed op de resultaten. Sommige experts zijn het echter niet eens met deze opvatting. Zij zeggen:Omdat je een echt persoon vergelijkt met een computermodel, kan elke fout in dat model de resultaten direct beïnvloeden.

Unlearn.AI werkt echter al samen met farmaceutische bedrijven om klinische studies te ontwerpen voor neurologische aandoeningen zoals Alzheimer, Parkinson en multiple sclerose. Ze kozen deze ziekten als een goed startpunt omdat er meer data over beschikbaar zijn dan over andere aandoeningen. Fisher zegt dat als de methode ooit op alle ziekten kan worden toegepast, dit de tijd die nodig is om nieuwe medicijnen op de markt te brengen aanzienlijk zou kunnen verkorten.