Har du noen gang lurt på hvor lang tid det tok før pillen du tok i morges nådde hendene dine? Først gjør de omfattende forskning i laboratorier. Så tester de den på dyr. Men før de kan godkjennes for bruk på mennesker, må de teste den på mennesker. Dette er det vi kaller en klinisk studie. Det er en veldig komplisert og kostbar prosess.
Enkelt sagt, hva er en klinisk studie?
Enkelt sagt fungerer en klinisk studie slik: Forskere rekrutterer pasienter med sykdommen som det nyutviklede legemidlet retter seg mot. Disse frivillige blir deretter tilfeldig delt inn i to grupper.
1. Den første gruppen får det nye legemidlet som skal testes.
2. Den andre gruppen , «kontrollgruppen», får en placebo som ikke har noen aktiv ingrediens og ser nøyaktig ut som legemidlet. Vi kaller dette «placebo».
Hvis symptomene til de som tok det nye legemidlet har blitt mer bedre enn hos de som tok placebo ved slutten av denne studien, beviser dette at det nye legemidlet er effektivt.
En av de største utfordringene i en slik studie er å finne nok pasienter som passer perfekt til studien. Noen ganger vet ikke engang leger hvilke studier som passer for pasientene deres. Dessuten kan det hende at egenskapene til pasientene som ønsker å delta, ikke samsvarer med kravene i studien. Kunstig intelligens (KI) kan imidlertid gjøre denne oppgaven mye enklere.
Møt din «digitale tvilling»
Tenk deg at du har din egen datamodell, det vil si en digital kopi av deg selv. Det er det som kalles en «digital tvilling». Dette er rett og slett «datamodeller» som simulerer et virkelig objekt eller system på en datamaskin. Men sett numerisk oppfører de seg nøyaktig som den virkelige tingen. Det beste eksemplet er da en oksygentank på Apollo 13-romfartøyet eksploderte, og NASA hjalp til med å reparere den med en «digital tvilling» av det samme romfartøyet bygget på jorden.
Nå kan forskere lage en «digital tvilling» av et menneske, gitt nok «data». Dette bruker en kunstig intelligens-teknologi kalt «maskinlæring». Enkelt sagt innebærer dette å gi et dataprogram en stor mengde data og la det lære av det.
Digitale tvillinger av pasienter opprettes ved å trene disse maskinlæringsmodellene ved hjelp av data fra tidligere kliniske studier og hver pasients personlige medisinske journaler. Modellen kan deretter forutsi hvordan en pasients helse vil endre seg i løpet av studien hvis de får placebo.Det vil si at en datagenerert kontrollgruppe (simulert kontrollgruppe) opprettes for den samme pasienten.
La oss nå se hvordan dette fungerer. La oss si at noen som heter «Samadhi» blir valgt ut til å være i gruppen som får et nytt legemiddel. Samadhis «digitale tvilling», en datamodell, er i kontrollgruppen. Modellen forutsier hva som ville skje hvis Samadhi fikk en «placebo» i stedet for selve legemidlet. Til syvende og sist er forskjellen mellom Samadhis faktiske respons på legemidlet og hva modellen forutså ville skje hvis han tok «placeboen» et mål på hvor effektivt legemidlet er for Samadhi.
En av de største fordelene med denne metoden er at nesten alle som deltar i en klinisk studie har muligheten til å motta det nye legemidlet, fordi «placeboen» gis til deres digitale tvilling.
La oss se på denne tabellen for å tydelig se fordelene ved å bruke «digitale tvillinger» i stedet for tradisjonelle kontrollteam.
| Karakteristisk | Tradisjonell metode | Digital tvillingmetode |
|---|---|---|
| Kontrollgruppe | Bestående av ekte mennesker. De får en (placebo). | Består av datamodeller (digitale tvillinger). |
| Fordel for pasienter | Det er 50 % sjanse for å få placebo. Det betyr at du kan hoppe over den nye medisinen. | Mange har muligheten til å prøve den ekte medisinen. |
| Antall frivillige som trengs | Det trengs flere folk (til begge lag). | Testen kan gjennomføres med et lite antall personer. |
| Tid og kostnad | Veldig høy. | Kan reduseres betydelig. |
Selv om denne teknologien er bra, er det ikke problemer?
Selv om denne teknologien lover mye for fremtiden, har den ennå ikke blitt mye brukt. Det kan være gode grunner til dette. Som Dr. Daniel Neal, en ekspert på «(maskinlæring)», påpeker, er disse modellene avhengige av store mengder data. Det er også svært vanskelig å innhente data av høy kvalitet fra enkeltpersoner.
«Folk rapporterer ofte selv informasjon om ting som kosthold og treningsvaner. Folk forteller ikke alltid sannheten. De har en tendens til å overdrive mengden trening de gjør og underdrive mengden junk food de spiser.»
Et annet problem er de sjeldne, uventede bivirkningene som et legemiddel kan forårsake. Disse dekkes ofte ikke av modellen som er utviklet for kontrollgruppen.
Men Dr. Neals største frykt er at denne prediktive modellen er basert på «business as usual». Se for deg en stor, uventet hendelse som COVID-19-pandemien som endrer alles atferd og gjør folk syke. «Kontrollmodeller tar ikke hensyn til dette», sier han. Da, på grunn av disse hendelsene som kontrollgruppen ikke tok hensyn til, kan de endelige resultatene av eksperimentet bli helt annerledes.
Så kan dette virkelig brukes? Hva vil fremtiden bringe?
Eric Topol, en ekspert på bruk av digital teknologi i helsevesenet, synes ideen er god, men tiden er ikke inne ennå. «Jeg tror ikke kliniske studier vil endre seg i nær fremtid. Fordi det krever flere lag med data, utover bare helsejournaler, som genomsekvenser, tarmmikrobiom og miljødata.»
Ifølge Charles Fisher, grunnleggeren av Unlearn.AI, en pioner innen denne teknologien, finnes det allerede løsninger på problemene med personvern og skjevhet. «Personvern er enkelt. Vi jobber bare med data som allerede er anonymisert.»
Når han snakker om skjevhet, sier han at selv om problemet ikke er fullstendig løst, er det ikke relevant for studiens resultater. Fordi studiene er randomiserte, påvirker det ikke resultatene selv om det er en viss skjevhet i dataene. Noen eksperter er imidlertid uenige i denne ideen. De sier,Fordi du sammenligner en ekte person med en datamodell, kan en feil i modellen påvirke resultatene direkte.
Unlearn.AI samarbeider imidlertid allerede med farmasøytiske selskaper for å designe kliniske studier for nevrologiske sykdommer som Alzheimers, Parkinsons og multippel sklerose. De valgte disse sykdommene som et godt sted å starte fordi de har mer data enn andre. Fisher sier at hvis metoden en dag kan brukes på alle sykdommer, kan det redusere tiden det tar for nye legemidler å komme på markedet betydelig.
Hilsen til hjemmet
- En digital tvilling er en datamodell av en ekte pasient som brukes i kliniske studier som tester nye legemidler.
- Dette gjør at disse digitale modellene kan brukes i stedet for å bruke ekte mennesker som kontrollgruppe.
- En stor fordel med denne metoden er at flere deltakere i studien har muligheten til å motta selve legemidlet som testes.
- Det gjenstår imidlertid utfordringer, som vanskeligheten med å innhente data av høy kvalitet og manglende evne til å modellere uventede hendelser.
- Selv om denne teknologien lover mye for fremtidens medisin, er den fortsatt i sin spede begynnelse. Hvis du har noen bekymringer eller tvil, er det viktig å snakke med legen din .
💬 Comments (0)
Ingen kommentarer er lagt ut ennå. Legg til din kommentar her for første gang.
Legg til kommentaren din