Dupi anjeun kantos mikir sabaraha lami pil anu anjeun inum énjing ieu dugi ka leungeun anjeun? Mimitina, aranjeunna ngalakukeun panalungtikan anu éksténsif di laboratorium. Teras aranjeunna nguji éta kana sato. Tapi sateuacan éta tiasa disatujuan pikeun dianggo dina manusa, aranjeunna kedah nguji éta kana manusa. Ieu anu disebut uji klinis. Éta mangrupikeun prosés anu rumit sareng mahal.
Sacara sederhana, naon ari uji klinis téh?
Sacara basajan, uji klinis jalanna sapertos kieu: Para panalungtik ngarékrut pasien anu katarajang panyakit anu dituju ku ubar anu nembé dikembangkeun. Para sukarelawan ieu teras dibagi sacara acak kana dua kelompok.
1. Kelompok kahiji dibéré ubar anyar pikeun diuji.
2. Grup kadua , "Grup Kontrol", dibéré plasebo anu teu ngandung bahan aktif sareng katingalina sami sareng ubarna. Ieu disebut "Placebo".
Upami, dina ahir uji coba ieu, gejala jalmi anu nginum obat énggal parantos langkung saé tibatan jalmi anu nginum plasebo, maka ieu ngabuktikeun yén obat énggal éta épéktip.
Salah sahiji tantangan pangbadagna dina uji coba sapertos kitu nyaéta milarian cukup pasien anu cocog pisan pikeun uji coba éta. Kadang-kadang dokter ogé henteu terang uji coba mana anu pas pikeun pasienna. Ogé, karakteristik pasien anu hoyong ilubiung tiasa henteu cocog sareng sarat uji coba éta. Nanging, kecerdasan buatan (AI) tiasa ngagampangkeun tugas ieu.
Tepang sareng "Kembar Digital" anjeun
Bayangkeun anjeun gaduh modél komputer anjeun nyalira, nyaéta salinan digital anjeun. Éta anu disebut "Kembar Digital". Ieu ngan ukur "Modél Komputer" anu nyimulasikeun objék atanapi sistem dunya nyata dina komputer. Tapi nalika ditingali sacara numerik, aranjeunna kalakuanana persis sapertos anu asli. Conto anu pangsaéna nyaéta nalika tangki oksigén dina pesawat ruang angkasa Apollo 13 ngabeledug, NASA ngabantosan ngalereskeunana ku "Kembar Digital" tina pesawat ruang angkasa anu sami anu diwangun di Bumi.
Ayeuna, para ilmuwan tiasa nyiptakeun "Kembar Digital" manusa, upami dipasihan "data" anu cekap. Ieu nganggo téknologi kecerdasan buatan anu disebut "Pembelajaran Mesin". Sacara sederhana, ieu ngalibatkeun masihan program komputer sajumlah ageung data sareng ngantepkeun program komputer diajar ti dinya.
Kembar Digital pasien didamel ku cara ngalatih modél Machine Learning ieu nganggo data tina uji klinis sateuacana sareng rékaman médis pribadi unggal pasien. Modél ieu teras tiasa ngaduga kumaha kaséhatan pasien bakal robih salami uji coba upami aranjeunna dipasihan plasebo.Hartina, grup kontrol anu dihasilkeun ku komputer (Grup Kontrol Simulasi) didamel pikeun pasien anu sami.
Ayeuna hayu urang tingali kumaha ieu jalanna. Hayu urang sebutkeun aya jalma anu namina "Samadhi" dipilih janten bagian tina kelompok anu nampi ubar énggal. "Digital Twin" Samadhi, modél komputer, aya dina kelompok kontrol. Modél ieu ngaduga naon anu bakal kajadian upami Samadhi dipasihan "Placebo" tinimbang ubar anu saleresna. Pamustunganana, bédana antara réspon Samadhi anu saleresna kana ubar sareng naon anu diprediksi ku modél upami anjeunna nyandak "Placebo" mangrupikeun ukuran sabaraha efektifna ubar éta pikeun Samadhi.
Salah sahiji kaunggulan panggedéna tina metode ieu nyaéta ampir sadayana anu ngiringan uji klinis ngagaduhan kasempetan pikeun nampi ubar énggal, sabab "plasebo" dipasihkeun ka kembaran digitalna.
Hayu urang tingali tabel ieu pikeun ningali sacara jelas mangpaat tina ngagunakeun "Digital Twins" tinimbang tim kontrol tradisional.
| Ciri khas | Métode tradisional | Métode Kembar Digital |
|---|---|---|
| Grup Kontrol | Diwangun ku jalma-jalma nyata. Aranjeunna kéngingkeun (Placebo). | Diwangun ku modél komputer (Digital Twins). |
| Kauntungan pikeun pasien | Aya kasempetan 50% pikeun kéngingkeun plasebo. Éta hartosna anjeun tiasa ngalangkungan ubar énggal. | Seueur jalmi anu gaduh kasempetan pikeun nyobian ubar anu asli. |
| Jumlah sukarelawan anu diperyogikeun | Diperlukeun langkung seueur jalmi (pikeun kadua tim). | Tés ieu tiasa dilaksanakeun sareng sajumlah alit jalmi. |
| Waktos sareng biaya | Luhur pisan. | Bisa dikirangan sacara signifikan. |
Sanaos téknologi ieu saé, naha teu aya masalah?
Sanaos téknologi ieu ngagaduhan jangji anu ageung pikeun ka hareupna, éta tacan seueur dianggo. Meureun aya alesan anu saé pikeun ieu. Sakumaha anu diunjukkeun ku Dr. Daniel Neal, ahli dina "(Machine Learning), modél ieu ngandelkeun jumlah data anu ageung. Ogé, hésé pisan pikeun kéngingkeun data anu kualitasna luhur ti individu.
"Jalma-jalma sering ngalaporkeun sorangan informasi ngeunaan hal-hal sapertos diet sareng kabiasaan olahraga. Jalma-jalma henteu salawasna nyarioskeun anu leres. Aranjeunna condong ngaleuleuwihi jumlah olahraga anu aranjeunna laksanakeun sareng ngirangan jumlah katuangan junk anu aranjeunna tuang."
Masalah séjénna nyaéta efek samping anu jarang sareng teu kaduga anu tiasa disababkeun ku ubar. Ieu sering henteu katutupan ku modél anu dirancang pikeun kelompok kontrol.
Tapi kasieunan panggedéna Dr. Neal nyaéta modél prédiktif ieu dumasar kana "bisnis sapertos biasana." Bayangkeun kajadian anu ageung sareng teu kaduga sapertos pandémi COVID-19 anu ngarobih paripolah sadayana sareng ngajantenkeun jalma gering. "Modél kontrol henteu merhatoskeun ieu," saurna. Teras, kusabab kajadian-kajadian ieu anu henteu diperhatoskeun ku kelompok kontrol, hasil ahir tina ékspérimén tiasa béda pisan.
Jadi ieu tiasa dianggo? Kumaha kaayaan di hareupna?
Eric Topol, ahli ngeunaan panggunaan téknologi digital dina kasehatan, nganggap ideu éta saé pisan, tapi waktosna tacan pas. "Kuring henteu nyangka uji klinis bakal robih dina waktos anu caket. Kusabab éta meryogikeun sababaraha lapisan data, saluareun ngan ukur rékaman kaséhatan, sapertos runtuyan génom, mikrobioma peujit, data lingkungan."
Numutkeun Charles Fisher, pangadeg Unlearn.AI, pionir dina téknologi ieu, parantos aya solusi pikeun masalah privasi sareng bias data. "Privasi téh gampang. Kami ngan ukur tiasa damel sareng data anu parantos dianonimkeun."
Nalika nyarioskeun ngeunaan bias, anjeunna nyarios yén sanaos masalah ieu tacan direngsekeun sacara lengkep, éta henteu aya hubunganana sareng hasil panilitian. Kusabab panilitian ieu diacak, sanaos aya sababaraha bias dina data, éta henteu mangaruhan hasilna. Nanging, sababaraha ahli henteu satuju sareng ideu ieu. Aranjeunna nyarios,Kusabab anjeun ngabandingkeun jalma nyata sareng modél komputer, upami aya kasalahan dina modél éta, éta tiasa langsung mangaruhan hasilna.
Nanging, Unlearn.AI parantos damel bareng sareng perusahaan farmasi pikeun ngarancang uji klinis pikeun panyakit neurologis sapertos Alzheimer, Parkinson, sareng multiple sclerosis. Aranjeunna milih panyakit ieu salaku tempat anu saé pikeun ngamimitian sabab gaduh langkung seueur data tibatan anu sanés. Fisher nyarios yén upami metode ieu hiji dinten tiasa diterapkeun kana sadaya panyakit, éta tiasa ngirangan sacara signifikan waktos anu diperyogikeun pikeun ubar énggal pikeun dipasarkan.
Pesen Bawa Ka Imah
- (Digital Twin) , .
- Ieu ngamungkinkeun modél digital ieu dianggo tibatan nganggo jalma nyata pikeun grup kontrol.
- Kauntungan utama tina metode ieu nyaéta langkung seueur pamilon dina uji coba anu gaduh kasempetan pikeun nampi ubar anu nuju diuji.
- Nanging, masih aya tantangan, sapertos héséna kéngingkeun data anu kualitasna luhur sareng henteu mampuh pikeun modél kajadian anu teu kaduga.
- Sanaos téknologi ieu ngagaduhan jangji anu ageung pikeun masa depan kadokteran, éta masih dina tahap awal. Upami anjeun gaduh masalah atanapi mamang, penting pikeun ngobrol sareng dokter anjeun .
💬 Comments (0)
No comments yet. Be the first to share your thoughts here.
Add Your Comment