Har du någonsin undrat hur lång tid det tog för det där pillret du tog i morse att nå dina händer? Först gör de omfattande forskning i laboratorier. Sedan testar de det på djur. Men innan de kan godkännas för användning på människor måste de testa det på människor. Det är vad vi kallar en klinisk prövning. Det är en mycket komplicerad och dyr process.
Enkelt uttryckt, vad är en klinisk prövning?
Enkelt uttryckt fungerar en klinisk prövning så här: Forskare rekryterar patienter med den sjukdom som det nyutvecklade läkemedlet riktar sig mot. Dessa volontärer delas sedan slumpmässigt in i två grupper.
1. Den första gruppen får det nya läkemedlet som ska testas.
2. Den andra gruppen , "kontrollgruppen", får en placebo som inte har någon aktiv substans och ser exakt ut som läkemedlet. Vi kallar detta "placebo".
Om symtomen hos dem som tog det nya läkemedlet har förbättrats mer än hos dem som tog placebo vid slutet av denna studie, bevisar detta att det nya läkemedlet är effektivt.
En av de största utmaningarna i en sådan studie är att hitta tillräckligt många patienter som passar exakt rätt för studien. Ibland vet inte ens läkare vilka studier som passar deras patienter. Dessutom kanske egenskaperna hos de patienter som vill delta inte matchar studiens krav. Artificiell intelligens (AI) skulle dock kunna göra denna uppgift mycket enklare.
Möt din "digitala tvilling"
Tänk dig att du har din egen datormodell, det vill säga en digital kopia av dig själv. Det är vad som kallas en "digital tvilling". Det här är helt enkelt "datormodeller" som simulerar ett verkligt objekt eller system på en dator. Men sett numeriskt beter de sig exakt som verkligheten. Det bästa exemplet är när en syrgastank på rymdfarkosten Apollo 13 exploderade, NASA hjälpte till att reparera den med en "digital tvilling" av samma rymdfarkost byggd på jorden.
Nu kan forskare skapa en "digital tvilling" av en människa, givet tillräckligt med "data". Detta använder en artificiell intelligens-teknik som kallas "maskininlärning". Enkelt uttryckt innebär det att ett datorprogram får en stor mängd data och låter det lära sig av den.
Digitala tvillingar av patienter skapas genom att träna dessa maskininlärningsmodeller med hjälp av data från tidigare kliniska prövningar och varje patients personliga journaler. Modellen kan sedan förutsäga hur en patients hälsa kommer att förändras under prövningens gång om de får placebo.Det vill säga att en datorgenererad kontrollgrupp (simulerad kontrollgrupp) skapas för samma patient.
Nu ska vi se hur det här fungerar. Låt oss säga att någon som heter "Samadhi" väljs ut till den grupp som får ett nytt läkemedel. Samadhis "digitala tvilling", en datormodell, finns i kontrollgruppen. Modellen förutspår vad som skulle hända om Samadhi fick en "placebo" istället för det faktiska läkemedlet. I slutändan är skillnaden mellan Samadhis faktiska svar på läkemedlet och vad modellen förutspådde skulle hända om han tog "placebon" ett mått på hur effektivt läkemedlet är för Samadhi.
En av de största fördelarna med den här metoden är att nästan alla som deltar i en klinisk prövning har möjlighet att få det nya läkemedlet, eftersom "placebon" ges till deras digitala tvilling.
Låt oss titta på den här tabellen för att tydligt se fördelarna med att använda "digitala tvillingar" istället för traditionella kontrollteam.
| Karakteristisk | Traditionell metod | Digital tvillingmetod |
|---|---|---|
| Kontrollgrupp | Bestående av riktiga människor. De får en (placebo). | Består av datormodeller (digitala tvillingar). |
| Fördel för patienter | Det finns 50 % chans att få placebo. Det betyder att du kan hoppa över det nya läkemedlet. | Många har möjlighet att prova den riktiga medicinen. |
| Antal volontärer som behövs | Fler personer behövs (till båda lagen). | Testet kan utföras med ett litet antal personer. |
| Tid och kostnad | Väldigt hög. | Kan minskas avsevärt. |
Även om den här tekniken är bra, finns det inga problem?
Även om denna teknik har mycket lovande potential för framtiden har den ännu inte använts i stor utsträckning. Det kan finnas goda skäl till detta. Som Dr. Daniel Neal, expert på "(maskininlärning)," påpekar, är dessa modeller beroende av stora mängder data. Det är också mycket svårt att få fram högkvalitativa data från individer.
"Människor rapporterar ofta själva information om saker som deras kost och träningsvanor. Människor talar inte alltid sanning. De tenderar att överdriva mängden motion de gör och underdriva mängden skräpmat de äter."
En annan fråga är de sällsynta, oväntade biverkningar som ett läkemedel kan orsaka. Dessa täcks ofta inte av den modell som utformats för kontrollgruppen.
Men Dr. Neals största rädsla är att denna prediktiva modell är baserad på "business as usual". Föreställ dig en stor, oväntad händelse som covid-19-pandemin som förändrar allas beteende och gör människor sjuka. "Kontrollmodeller tar inte hänsyn till detta", säger han. Då, på grund av dessa händelser som kontrollgruppen inte tog hänsyn till, kan de slutliga resultaten av experimentet bli helt annorlunda.
Så kan detta verkligen användas? Vad kommer framtiden att erbjuda?
Eric Topol, expert på användningen av digital teknik inom hälso- och sjukvården, tycker att idén är utmärkt, men tiden är inte mogen än. "Jag tror inte att kliniska prövningar kommer att förändras inom en snar framtid. Eftersom det kräver flera lager av data, utöver bara hälsojournaler, såsom genomsekvenser, tarmmikrobiom, miljödata."
Enligt Charles Fisher, grundare av Unlearn.AI, en pionjär inom denna teknik, finns det redan lösningar på problemen med dataskydd och partiskhet. "Integritet är enkelt. Vi arbetar bara med data som redan har anonymiserats."
När han talar om bias säger han att även om problemet inte är helt löst är det inte relevant för studiens resultat. Eftersom studierna är randomiserade påverkar det inte resultaten, även om det finns viss bias i data. Vissa experter håller dock inte med om denna uppfattning. De säger,Eftersom du jämför en verklig person med en datormodell, kan ett fel i modellen direkt påverka resultaten.
Unlearn.AI samarbetar dock redan med läkemedelsföretag för att utforma kliniska prövningar för neurologiska sjukdomar som Alzheimers, Parkinsons och multipel skleros. De valde dessa sjukdomar som en bra utgångspunkt eftersom de har mer data än andra. Fisher säger att om metoden en dag kan tillämpas på alla sjukdomar, skulle det avsevärt kunna minska den tid det tar för nya läkemedel att komma ut på marknaden.
Meddelande att ta med sig hem
- En digital tvilling är en datormodell av en verklig patient som används i kliniska prövningar som testar nya läkemedel.
- Detta gör att dessa digitala modeller kan användas istället för att använda riktiga människor som kontrollgrupp.
- En stor fördel med den här metoden är att fler deltagare i studien har möjlighet att få själva läkemedlet som testas.
- Utmaningar kvarstår dock, såsom svårigheten att få fram högkvalitativa data och oförmågan att modellera oväntade händelser.
- Även om den här tekniken lovar mycket för medicinens framtid, är den fortfarande i sin linda. Om du har några funderingar eller tvivel är det viktigt att prata med din läkare .
💬 Comments (0)
Inga kommentarer har skrivits än. Lägg till din kommentar här för första gången.
Lägg till din kommentar