Ваш сопствени „дигитални близанац“? Најновија технологија која ће променити тестирање на дроге (Дигитални близанац)

Да ли сте се икада запитали колико је времена требало да та пилула коју сте попили јутрос стигне до ваших руку? Прво, спроводе опсежна истраживања у лабораторијама. Затим је тестирају на животињама. Али пре него што могу бити одобрене за употребу код људи, морају је тестирати на људима. То називамо клиничким испитивањем. То је веома компликован и скуп процес.

Једноставно речено, шта је клиничко испитивање?

Једноставно речено, клиничко испитивање функционише овако: Истраживачи регрутују пацијенте са болешћу на коју је новоразвијени лек намењен. Ови добровољци се затим насумично деле у две групе.

1. Првој групи се даје нови лек који треба тестирати.

2. Друга група , „контролна група“, добија плацебо који нема активни састојак и изгледа потпуно исто као лек. Ово називамо „плацебо“.

Ако се на крају овог испитивања симптоми оних који су узимали нови лек побољшају више него код оних који су узимали плацебо, онда то доказује да је нови лек ефикасан.

Један од највећих изазова у таквом испитивању је проналажење довољног броја пацијената који су потпуно одговарајући за испитивање. Понекад чак ни лекари не знају која су испитивања права за њихове пацијенте. Такође, карактеристике пацијената који желе да учествују можда се не поклапају са захтевима испитивања. Међутим, вештачка интелигенција (ВИ) би могла да олакша овај задатак.

Упознајте свог „дигиталног близанца“

Замислите да имате свој компјутерски модел, односно дигиталну копију себе. То се назива „дигитални близанац“. То су само „компјутерски модели“ који симулирају објекат или систем из стварног света на рачунару. Али када се посматрају нумерички, понашају се потпуно исто као и права ствар. Најбољи пример је када је експлодирао резервоар са кисеоником на свемирској летелици Аполо 13, НАСА је помогла у његовој поправци помоћу „дигиталног близанца“ исте летелице изграђене на Земљи.

Сада, научници могу да направе „дигиталног близанца“ људског бића, уз довољно „података“. Ово користи технологију вештачке интелигенције под називом „Машинско учење“. Једноставно речено, ово подразумева давање велике количине података рачунарском програму и омогућавање му да учи из њих.

Дигитални близанци пацијената се креирају обучавањем ових модела машинског учења користећи податке из претходних клиничких испитивања и личне медицинске картоне сваког пацијента. Модел затим може да предвиди како ће се здравље пацијента променити током испитивања ако му се да плацебо.То јест, за истог пацијента се креира рачунарски генерисана контролна група (Симулирана контролна група).

Сада да видимо како ово функционише. Рецимо да је неко по имену „Самади“ изабран да буде у групи која прима нови лек. Самадијев „дигитални близанац“, компјутерски модел, је у контролној групи. Модел предвиђа шта би се десило ако би Самадију дат „плацебо“ уместо самог лека. На крају крајева, разлика између Самадијевог стварног одговора на лек и онога што је модел предвидео да би се десило ако би узео „плацебо“ је мера колико је лек ефикасан за Самадија.

Погледајмо ову табелу да бисмо јасно видели предности коришћења „дигиталних близанаца“ уместо традиционалних контролних тимова.

Иако је ова технологија добра, зар нема проблема?

Иако ова технологија носи велика обећања за будућност, још увек није широко коришћена. Можда постоје добри разлози за то. Како истиче др Данијел Нил, стручњак за „(машинско учење)“, ови модели се ослањају на велике количине података. Такође, веома је тешко добити висококвалитетне податке од појединаца.

Још један проблем су ретки, неочекивани нежељени ефекти које лек може изазвати. Они често нису обухваћени моделом дизајнираним за контролну групу.

Али највећи страх др Нила је да је овај предиктивни модел заснован на „уобичајеном пословању“. Замислите велики, неочекивани догађај попут пандемије COVID-19 који мења понашање свих и чини људе болесним. „Контролни модели то не узимају у обзир“, каже он. Тада би, због ових догађаја које контролна група није узела у обзир, коначни резултати експеримента могли бити потпуно другачији.

Дакле, да ли се ово заиста може користити? Шта будућност носи?

Ерик Топол, стручњак за употребу дигиталне технологије у здравству, сматра да је идеја одлична, али да још није право време. „Не мислим да ће се клиничка испитивања променити у блиској будућности. Зато што захтевају више слојева података, поред само здравствених картона, као што су секвенце генома, цревни микробиом, подаци о животној средини.“

Према речима Чарлса Фишера, оснивача компаније Unlearn.AI, пионира у овој технологији, већ постоје решења за проблеме приватности података и пристрасности. „Приватност је једноставна. Радимо само са подацима који су већ анонимизовани.“

Када говори о пристрасности, он каже да иако проблем није у потпуности решен, није релевантан за резултате студије. Пошто су студије рандомизоване, чак и ако постоји извесна пристрасност у подацима, она не утиче на резултате. Међутим, неки стручњаци се не слажу са овом идејом. Они кажу,Пошто упоређујете стварну особу са компјутерским моделом, ако постоји било каква грешка у том моделу, то може директно утицати на резултате.

Међутим, Unlearn.AI већ сарађује са фармацеутским компанијама на дизајнирању клиничких испитивања за неуролошке болести попут Алцхајмерове болести, Паркинсонове болести и мултипле склерозе. Изабрали су ове болести као добро место за почетак јер имају више података од других. Фишер каже да ако се метода једног дана може применити на све болести, то би могло значајно смањити време потребно да нови лекови дођу на тржиште.