Vaš lastni "digitalni dvojček"? Najnovejša tehnologija, ki bo spremenila testiranje drog (digitalni dvojček)

Ste se kdaj vprašali, koliko časa je trajalo, da je tableta, ki ste jo vzeli danes zjutraj, prišla do vaših rok? Najprej opravijo obsežne raziskave v laboratorijih. Nato jo testirajo na živalih. Preden pa jo lahko odobrijo za uporabo pri ljudeh, jo morajo testirati na ljudeh. Temu pravimo klinično preskušanje. Gre za zelo zapleten in drag postopek.

Preprosto povedano, kaj je klinično preskušanje?

Preprosto povedano, klinično preskušanje deluje takole: Raziskovalci rekrutirajo bolnike z boleznijo, na katero cilja novo razvito zdravilo. Te prostovoljce nato naključno razdelijo v dve skupini.

1. Prva skupina dobi novo zdravilo za testiranje.

2. Druga skupina , »kontrolna skupina«, prejme placebo, ki nima aktivne sestavine in je videti popolnoma enako zdravilu. Temu pravimo »placebo«.

Če se bodo na koncu tega preskušanja simptomi tistih, ki so jemali novo zdravilo, izboljšali bolj kot tistih, ki so jemali placebo, potem to dokazuje, da je novo zdravilo učinkovito.

Eden največjih izzivov pri takšnem preskušanju je najti dovolj pacientov, ki so popolnoma primerni za preskušanje. Včasih celo zdravniki ne vedo, katera preskušanja so prava za njihove paciente. Poleg tega značilnosti pacientov, ki želijo sodelovati, morda ne ustrezajo zahtevam preskušanja. Vendar pa bi umetna inteligenca (UI) lahko to nalogo precej olajšala.

Spoznajte svojega "digitalnega dvojčka"

Predstavljajte si, da imate svoj računalniški model, torej digitalno kopijo sebe. Temu pravimo »digitalni dvojček«. To so le »računalniški modeli«, ki simulirajo predmet ali sistem iz resničnega sveta na računalniku. Toda če jih gledamo numerično, se obnašajo popolnoma enako kot pravi predmeti. Najboljši primer je, ko je eksplodirala kisikova jeklenka na vesoljskem plovilu Apollo 13, ko jo je NASA pomagala popraviti z »digitalnim dvojčkom« istega vesoljskega plovila, zgrajenega na Zemlji.

Znanstveniki lahko zdaj ustvarijo »digitalnega dvojčka« človeka, če imajo dovolj »podatkov«. Pri tem uporabljajo tehnologijo umetne inteligence, imenovano »strojno učenje«. Preprosto povedano, gre za to, da računalniškemu programu dajo veliko količino podatkov in mu omogočijo, da se iz njih uči.

Digitalni dvojčki pacientov se ustvarijo z učenjem teh modelov strojnega učenja z uporabo podatkov iz prejšnjih kliničnih preskušanj in osebnih zdravstvenih kartotek vsakega pacienta. Model lahko nato napove, kako se bo bolnikovo zdravje spremenilo med preskušanjem, če bo prejel placebo.To pomeni, da se za istega pacienta ustvari računalniško generirana kontrolna skupina (simulirana kontrolna skupina).

Poglejmo, kako to deluje. Recimo, da je nekdo z imenom "Samadhi" izbran v skupino, ki prejme novo zdravilo. Samadhijev "digitalni dvojček", računalniški model, je v kontrolni skupini. Model napoveduje, kaj bi se zgodilo, če bi Samadhi namesto dejanskega zdravila prejel "placebo". Konec koncev je razlika med Samadhijevim dejanskim odzivom na zdravilo in tem, kar je model napovedal, če bi vzel "placebo", merilo učinkovitosti zdravila za Samadhi.

Oglejmo si to tabelo, da bomo jasno videli prednosti uporabe »digitalnih dvojčkov« namesto tradicionalnih nadzornih ekip.

Čeprav je ta tehnologija dobra, ali ni težav?

Čeprav ta tehnologija obeta veliko za prihodnost, še ni bila široko uporabljena. Za to morda obstajajo dobri razlogi. Kot poudarja dr. Daniel Neal, strokovnjak za "(strojno učenje)", se ti modeli zanašajo na velike količine podatkov. Prav tako je zelo težko pridobiti visokokakovostne podatke od posameznikov.

Druga težava so redki, nepričakovani stranski učinki , ki jih lahko povzroči zdravilo. Ti pogosto niso zajeti v modelu, zasnovanem za kontrolno skupino.

Največji strah dr. Neala pa je, da ta napovedni model temelji na "običajnem poslovanju". Predstavljajte si velik, nepričakovan dogodek, kot je pandemija COVID-19, ki spremeni vedenje vseh in povzroči bolezen. "Kontrolna skupina tega ne upošteva," pravi. Zaradi teh dogodkov, ki jih kontrolna skupina ni upoštevala, bi lahko bili končni rezultati poskusa popolnoma drugačni.

Torej, ali se to res lahko uporabi? Kaj bo prinesla prihodnost?

Eric Topol, strokovnjak za uporabo digitalne tehnologije v zdravstvu, meni, da je ideja odlična, vendar čas še ni pravi. "Mislim, da se klinična preskušanja v bližnji prihodnosti ne bodo spremenila. Ker zahtevajo več plasti podatkov, ki presegajo le zdravstvene kartoteke, kot so zaporedja genoma, črevesni mikrobiom, podatki o okolju."

Po besedah ​​Charlesa Fisherja, ustanovitelja podjetja Unlearn.AI, pionirja na tem področju, že obstajajo rešitve za težave z zasebnostjo podatkov in pristranskostjo. »Zasebnost je preprosta. Delamo le s podatki, ki so že bili anonimizirani.«

Ko govori o pristranskosti, pravi, da čeprav vprašanje ni bilo popolnoma rešeno, ni pomembno za rezultate študije. Ker so študije randomizirane, tudi če je v podatkih nekaj pristranskosti, to ne vpliva na rezultate. Vendar se nekateri strokovnjaki s to idejo ne strinjajo. Pravijo,Ker primerjate resnično osebo z računalniškim modelom, lahko kakršna koli napaka v tem modelu neposredno vpliva na rezultate.

Vendar pa Unlearn.AI že sodeluje s farmacevtskimi podjetji pri oblikovanju kliničnih preskušanj za nevrološke bolezni, kot so Alzheimerjeva bolezen, Parkinsonova bolezen in multipla skleroza. Te bolezni so izbrali kot dobro izhodišče, ker imajo več podatkov kot druge. Fisher pravi, da bi lahko metoda, če bi jo nekega dne lahko uporabili za vse bolezni, znatno skrajšala čas, potreben za prihod novih zdravil na trg.