Twój własny „cyfrowy bliźniak”? Najnowsza technologia, która zmieni testowanie narkotyków (Cyfrowy bliźniak)

Czy zastanawiałeś się kiedyś, ile czasu minęło, zanim tabletka, którą wziąłeś dziś rano, trafiła w twoje ręce? Najpierw przeprowadzane są szeroko zakrojone badania w laboratoriach. Następnie testowana jest na zwierzętach. Ale zanim zostanie dopuszczona do użytku u ludzi, musi zostać przetestowana na ludziach. To właśnie nazywamy badaniem klinicznym. To bardzo skomplikowany i kosztowny proces.

Mówiąc najprościej, czym jest badanie kliniczne?

Mówiąc najprościej, badanie kliniczne wygląda następująco: naukowcy rekrutują pacjentów z chorobą, na którą skierowany jest nowo opracowany lek. Ochotnicy ci są następnie losowo dzieleni na dwie grupy.

1. Pierwszej grupie podaje się nowy lek do przetestowania.

2. Druga grupa , „Grupa Kontrolna”, otrzymuje placebo, które nie zawiera substancji czynnej i wygląda dokładnie tak samo jak lek. Nazywamy to „Placebo”.

Jeżeli pod koniec badania objawy osób przyjmujących nowy lek uległy większej poprawie niż u osób przyjmujących placebo, będzie to dowodem na skuteczność nowego leku.

Jednym z największych wyzwań w tego typu badaniu jest znalezienie wystarczającej liczby pacjentów, którzy idealnie pasują do badania. Czasami nawet lekarze nie wiedzą, które badania są odpowiednie dla ich pacjentów. Ponadto, charakterystyka pacjentów, którzy chcą wziąć udział w badaniu, może nie odpowiadać wymaganiom badania. Jednak sztuczna inteligencja (AI) mogłaby znacznie ułatwić to zadanie.

Poznaj swojego „cyfrowego bliźniaka”

Wyobraź sobie, że masz swój własny model komputerowy, czyli cyfrową kopię samego siebie. To właśnie nazywa się „Cyfrowym Bliźniakiem”. To po prostu „Modele Komputerowe”, które symulują rzeczywisty obiekt lub system na komputerze. Jednak patrząc na nie numerycznie, zachowują się dokładnie jak oryginał. Najlepszym przykładem jest eksplozja zbiornika tlenu w statku kosmicznym Apollo 13, którą NASA pomogła naprawić za pomocą „Cyfrowego Bliźniaka” tego samego statku kosmicznego zbudowanego na Ziemi.

Teraz naukowcy mogą stworzyć „cyfrowego bliźniaka” człowieka, dysponując wystarczającą ilością „danych”. Wykorzystuje to technologię sztucznej inteligencji zwaną „uczeniem maszynowym”. Mówiąc najprościej, polega to na podaniu programowi komputerowemu dużej ilości danych i umożliwieniu mu uczenia się na ich podstawie.

Cyfrowe bliźniaki pacjentów powstają poprzez trenowanie tych modeli uczenia maszynowego z wykorzystaniem danych z poprzednich badań klinicznych oraz dokumentacji medycznej każdego pacjenta. Model może następnie przewidywać, jak zmieni się stan zdrowia pacjenta w trakcie badania, jeśli otrzyma on placebo.Oznacza to, że dla tego samego pacjenta tworzona jest komputerowo grupa kontrolna (Symulowana Grupa Kontrolna).

Zobaczmy teraz, jak to działa. Załóżmy, że osoba o imieniu „Samadhi” zostaje wybrana do grupy otrzymującej nowy lek. „Cyfrowy Bliźniak” Samadhiego, model komputerowy, znajduje się w grupie kontrolnej. Model przewiduje, co by się stało, gdyby Samadhi otrzymał „placebo” zamiast faktycznego leku. Ostatecznie różnica między rzeczywistą reakcją Samadhiego na lek a przewidywaną przez model reakcją na „placebo” jest miarą skuteczności leku w przypadku Samadhiego.

Przyjrzyjmy się tej tabeli, aby wyraźnie zobaczyć korzyści wynikające ze stosowania „cyfrowych bliźniaków” zamiast tradycyjnych zespołów sterujących.

Mimo że technologia ta jest dobra, czy nie ma z nią problemów?

Chociaż technologia ta niesie ze sobą ogromne nadzieje na przyszłość, nie znalazła jeszcze szerokiego zastosowania. Mogą istnieć ku temu ważne powody. Jak zauważa dr Daniel Neal, ekspert w dziedzinie uczenia maszynowego, modele te opierają się na dużych ilościach danych. Ponadto, uzyskanie wysokiej jakości danych od osób fizycznych jest bardzo trudne.

Kolejnym problemem są rzadkie, nieoczekiwane skutki uboczne , jakie może wywołać lek. Często nie są one uwzględniane w modelu opracowanym dla grupy kontrolnej.

Jednak największą obawą dr. Neala jest to, że ten model predykcyjny opiera się na założeniu „normalnego trybu działania”. Wyobraźmy sobie duże, nieoczekiwane wydarzenie, takie jak pandemia COVID-19, które zmienia zachowanie wszystkich i powoduje choroby. „Modele kontrolne tego nie uwzględniają” – mówi. Z powodu tych zdarzeń, których grupa kontrolna nie uwzględniła, końcowe wyniki eksperymentu mogłyby być zupełnie inne.

Czy to naprawdę da się wykorzystać? Co przyniesie przyszłość?

Eric Topol, ekspert w dziedzinie wykorzystania technologii cyfrowych w opiece zdrowotnej, uważa ten pomysł za świetny, ale nie nadszedł jeszcze na to odpowiedni moment. „Nie sądzę, żeby badania kliniczne miały się zmienić w najbliższej przyszłości. Wymagają one bowiem wielu warstw danych, wykraczających poza samą dokumentację medyczną, takich jak sekwencje genomu, mikrobiom jelitowy i dane środowiskowe”.

Według Charlesa Fishera, założyciela Unlearn.AI, pioniera tej technologii, istnieją już rozwiązania problemów związanych z prywatnością danych i stronniczością. „Prywatność jest łatwa. Pracujemy tylko z danymi, które zostały już zanonimizowane”.

Mówiąc o błędach, mówi, że chociaż problem nie został całkowicie rozwiązany, nie ma on związku z wynikami badania. Ponieważ badania są randomizowane, nawet jeśli w danych występuje pewien błąd, nie wpływa on na wyniki. Jednak niektórzy eksperci nie zgadzają się z tą koncepcją. Mówią:Ponieważ porównujesz prawdziwą osobę z modelem komputerowym, każdy błąd w modelu może mieć bezpośredni wpływ na wyniki.

Jednak Unlearn.AI współpracuje już z firmami farmaceutycznymi nad projektowaniem badań klinicznych dotyczących chorób neurologicznych, takich jak choroba Alzheimera, Parkinsona i stwardnienie rozsiane. Wybrali te choroby jako dobry punkt wyjścia, ponieważ dysponują większą ilością danych niż inne. Fisher twierdzi, że jeśli metoda ta będzie mogła być kiedyś stosowana do wszystkich chorób, może znacznie skrócić czas wprowadzania nowych leków na rynek.