Ваш собственный «цифровой двойник»? Новейшая технология, которая изменит тестирование на наркотики (цифровой двойник).

Вы когда-нибудь задумывались, сколько времени потребовалось, чтобы таблетка, которую вы приняли сегодня утром, попала к вам в руки? Сначала проводятся обширные исследования в лабораториях. Затем их тестируют на животных. Но прежде чем препарат будет одобрен для использования людьми, его необходимо протестировать на людях. Это называется клиническим испытанием. Это очень сложный и дорогостоящий процесс.

Проще говоря, что такое клиническое исследование?

Проще говоря, клиническое исследование работает следующим образом: исследователи набирают пациентов с заболеванием, на которое направлено действие нового разработанного препарата. Затем этих добровольцев случайным образом делят на две группы.

1. Первой группе дают новый препарат для тестирования.

2. Второй группе , «контрольной группе», дают плацебо, которое не содержит активного вещества и выглядит точно так же, как лекарственный препарат. Мы называем это «плацебо».

Если по итогам этого исследования симптомы у тех, кто принимал новый препарат, улучшились больше, чем у тех, кто принимал плацебо, то это докажет эффективность нового препарата.

Одна из самых больших проблем в подобных исследованиях — это поиск достаточного количества пациентов, которые идеально подходят для участия в исследовании. Иногда даже врачи не знают, какие исследования подходят именно их пациентам. Кроме того, характеристики пациентов, желающих принять участие, могут не соответствовать требованиям исследования. Однако искусственный интеллект (ИИ) может значительно упростить эту задачу.

Познакомьтесь со своим «цифровым двойником»

Представьте, что у вас есть собственная компьютерная модель, то есть цифровая копия вас самих. Это называется «цифровой двойник». Это всего лишь «компьютерные модели», которые имитируют реальный объект или систему на компьютере. Но при численном моделировании они ведут себя точно так же, как и реальные объекты. Лучший пример — взрыв кислородного бака на космическом корабле «Аполлон-13», в результате которого НАСА помогло его отремонтировать с помощью «цифрового двойника» того же космического корабля, созданного на Земле.

Теперь ученые могут создать «цифрового двойника» человека, имея достаточное количество «данных». Для этого используется технология искусственного интеллекта, называемая «машинным обучением». Проще говоря, это подразумевает предоставление компьютерной программе большого объема данных и обучение на их основе.

Цифровые двойники пациентов создаются путем обучения моделей машинного обучения с использованием данных из предыдущих клинических испытаний и личных медицинских карт каждого пациента. Затем модель может предсказать, как изменится состояние здоровья пациента в течение испытания, если ему будет даваться плацебо.То есть для этого же пациента создается сгенерированная компьютером контрольная группа (имитированная контрольная группа).

Теперь давайте посмотрим, как это работает. Допустим, человека по имени «Самадхи» выбрали в группу, получающую новый препарат. «Цифровой двойник» Самадхи, компьютерная модель, находится в контрольной группе. Модель предсказывает, что произойдет, если Самадхи дадут «плацебо» вместо настоящего препарата. В конечном итоге, разница между фактической реакцией Самадхи на препарат и тем, что предсказала модель, если он примет «плацебо», является показателем эффективности препарата для Самадхи.

Давайте взглянем на эту таблицу, чтобы наглядно увидеть преимущества использования «цифровых двойников» вместо традиционных контрольных групп.

Несмотря на то, что эта технология хороша, разве нет в ней проблем?

Хотя эта технология подает большие надежды в будущем, она еще не получила широкого распространения. На это могут быть веские причины. Как отмечает доктор Даниэль Нил, эксперт в области машинного обучения, эти модели основаны на больших объемах данных. Кроме того, очень сложно получить высококачественные данные от отдельных лиц.

Ещё одна проблема — редкие, неожиданные побочные эффекты , которые может вызвать лекарство. Зачастую они не учитываются в модели, разработанной для контрольной группы.

Но больше всего доктор Нил опасается, что эта прогностическая модель основана на предположении о «обычном развитии событий». Представьте себе крупное, неожиданное событие, такое как пандемия COVID-19, которое меняет поведение всех и вызывает заболевания. «Контрольные модели этого не учитывают», — говорит он. Тогда из-за этих событий, которые контрольная группа не учла, конечные результаты эксперимента могут оказаться совершенно другими.

Так можно ли это действительно использовать? Что нас ждёт в будущем?

Эрик Топол, эксперт по использованию цифровых технологий в здравоохранении, считает эту идею замечательной, но время для ее реализации еще не пришло. «Я не думаю, что клинические испытания изменятся в ближайшем будущем. Потому что они требуют множества уровней данных, выходящих за рамки просто медицинских записей, таких как последовательности генома, микробиом кишечника, данные об окружающей среде».

По словам Чарльза Фишера, основателя Unlearn.AI, пионера в этой технологии, решения проблем конфиденциальности данных и предвзятости уже существуют. «Конфиденциальность — это просто. Мы работаем только с анонимизированными данными».

Говоря о предвзятости, он отмечает, что, хотя этот вопрос еще не полностью решен, он не имеет отношения к результатам исследования. Поскольку исследования проводятся в рандомизированном режиме, даже если в данных присутствует некоторая предвзятость, это не влияет на результаты. Однако некоторые эксперты не согласны с этой идеей. Они говорят:Поскольку вы сравниваете реального человека с компьютерной моделью, любая ошибка в этой модели может напрямую повлиять на результаты.

Однако Unlearn.AI уже сотрудничает с фармацевтическими компаниями для разработки клинических испытаний неврологических заболеваний, таких как болезнь Альцгеймера, болезнь Паркинсона и рассеянный склероз. Они выбрали эти заболевания в качестве хорошей отправной точки, поскольку по ним имеется больше данных, чем по другим. Фишер говорит, что если этот метод когда-нибудь можно будет применить ко всем заболеваниям, это может значительно сократить время, необходимое для вывода новых лекарств на рынок.