"ดิจิทัลทวิน" ของคุณเอง? เทคโนโลยีล่าสุดที่จะพลิกโฉมการตรวจสารเสพติด (ดิจิทัลทวิน)

คุณเคยสงสัยไหมว่ายาเม็ดที่คุณทานเมื่อเช้านี้ใช้เวลานานแค่ไหนกว่าจะมาถึงมือคุณ? อันดับแรก พวกเขาทำการวิจัย อย่างละเอียด ในห้องปฏิบัติการ จากนั้นก็ทดสอบกับสัตว์ แต่ก่อนที่จะได้รับการอนุมัติให้ใช้ในมนุษย์ พวกเขาต้องทดสอบกับมนุษย์เสียก่อน นี่คือสิ่งที่เราเรียกว่าการทดลองทางคลินิก มันเป็นกระบวนการที่ซับซ้อนและมีค่าใช้จ่ายสูงมาก

กล่าวโดยสรุป การทดลองทางคลินิกคืออะไร?

กล่าวโดยง่าย การทดลองทางคลินิกทำงานดังนี้: นักวิจัยคัดเลือกผู้ป่วยที่เป็นโรคที่ยาตัวใหม่กำลังพัฒนาอยู่ จากนั้นอาสาสมัครเหล่านี้จะถูกแบ่งออกเป็นสองกลุ่มแบบสุ่ม

1. กลุ่มแรก จะได้รับยาตัวใหม่ที่จะนำมาทดสอบ

2. กลุ่มที่สอง หรือ "กลุ่มควบคุม" จะได้รับยาหลอกซึ่งไม่มีส่วนประกอบสำคัญและมีลักษณะเหมือนกับยาจริงทุกประการ เราเรียกยาหลอกนี้ว่า "ยาหลอก"

หากเมื่อสิ้นสุดการทดลอง อาการของผู้ที่รับประทานยาตัวใหม่ดีขึ้นมากกว่าผู้ที่รับประทานยาหลอก นั่นแสดงว่ายาตัวใหม่นี้มีประสิทธิภาพ

หนึ่งในความท้าทายที่ใหญ่ที่สุดในการทดลองดังกล่าวคือการหาผู้ป่วยที่มีคุณสมบัติเหมาะสมกับการทดลองให้ได้มากพอ บางครั้งแม้แต่แพทย์เองก็ไม่ทราบว่าการทดลองใดเหมาะสมกับผู้ป่วยของตน นอกจากนี้ คุณลักษณะของผู้ป่วยที่ต้องการเข้าร่วมอาจไม่ตรงกับข้อกำหนดของการทดลอง อย่างไรก็ตาม ปัญญาประดิษฐ์ (AI) สามารถทำให้งานนี้ง่ายขึ้นมาก

มาทำความรู้จักกับ "แฝดดิจิทัลของคุณ" กันเถอะ

ลองนึกภาพว่าคุณมีแบบจำลองคอมพิวเตอร์ของคุณเอง นั่นคือสำเนาแบบดิจิทัลของตัวคุณเอง นั่นคือสิ่งที่เรียกว่า "ดิจิทัลทวิน" สิ่งเหล่านี้เป็นเพียง "แบบจำลองคอมพิวเตอร์" ที่จำลองวัตถุหรือระบบในโลกแห่งความเป็นจริงบนคอมพิวเตอร์ แต่เมื่อมองในเชิงตัวเลขแล้ว มันจะแสดงพฤติกรรมเหมือนกับของจริงทุกประการ ตัวอย่างที่ดีที่สุดคือ เมื่อถังออกซิเจนบนยานอวกาศอะพอลโล 13 ระเบิด นาซ่าได้ช่วยซ่อมแซมโดยใช้ "ดิจิทัลทวิน" ของยานอวกาศลำเดียวกันที่สร้างขึ้นบนโลก

ปัจจุบัน นักวิทยาศาสตร์สามารถสร้าง "แฝดดิจิทัล" ของมนุษย์ได้ หากมี "ข้อมูล" มากพอ โดยใช้เทคโนโลยีปัญญาประดิษฐ์ที่เรียกว่า "การเรียนรู้ของเครื่อง" กล่าวโดยง่ายคือ การป้อนข้อมูลจำนวนมากให้กับโปรแกรมคอมพิวเตอร์ และปล่อยให้มันเรียนรู้จากข้อมูลเหล่านั้น

แบบจำลองดิจิทัล (Digital Twins) ของผู้ป่วยถูกสร้างขึ้นโดยการฝึกฝนแบบจำลองการเรียนรู้ของเครื่อง (Machine Learning) โดยใช้ข้อมูลจากการทดลองทางคลินิกก่อนหน้านี้และบันทึกทางการแพทย์ส่วนบุคคลของผู้ป่วยแต่ละราย จากนั้นแบบจำลองจะสามารถ ทำนายได้ว่าสุขภาพของผู้ป่วยจะเปลี่ยนแปลงไปอย่างไรตลอดระยะเวลาการทดลอง หากพวกเขาได้รับยาหลอกกล่าวคือ มีการสร้างกลุ่มควบคุมที่สร้างขึ้นโดยคอมพิวเตอร์ (กลุ่มควบคุมจำลอง) สำหรับผู้ป่วยรายเดียวกันนั้น

ทีนี้มาดูกันว่ามันทำงานอย่างไร สมมติว่ามีคนชื่อ "สมาธิ" ถูกเลือกให้อยู่ในกลุ่มที่ได้รับยาตัวใหม่ "แฝดดิจิทัล" ของสมาธิ ซึ่งเป็นแบบจำลองคอมพิวเตอร์ อยู่ในกลุ่มควบคุม แบบจำลองนี้จะทำนายว่าจะเกิดอะไรขึ้นหากสมาธิได้รับ "ยาหลอก" แทนที่จะเป็นยาจริง ท้ายที่สุดแล้ว ความแตกต่างระหว่างการตอบสนองจริงของสมาธิต่อยาและสิ่งที่แบบจำลองทำนายว่าจะเกิดขึ้นหากเขาได้รับ "ยาหลอก" จะเป็นตัววัดว่ายาตัวนั้นมีประสิทธิภาพต่อสมาธิมากแค่ไหน

ลองดูตารางนี้เพื่อจะได้เห็นประโยชน์ของการใช้ "ดิจิทัลทวินส์" แทนทีมควบคุมแบบดั้งเดิมอย่างชัดเจน

ถึงแม้เทคโนโลยีนี้จะดี แต่ก็ยังมีปัญหาอยู่ไม่ใช่เหรอ?

แม้ว่าเทคโนโลยีนี้จะมีศักยภาพสูงในอนาคต แต่ก็ยังไม่ได้รับการใช้งานอย่างแพร่หลาย อาจมีเหตุผลที่ดีอยู่หลายประการ ดังที่ ดร. แดเนียล นีล ผู้เชี่ยวชาญด้าน "การเรียนรู้ของเครื่องจักร" ชี้ให้เห็นว่า โมเดลเหล่านี้ต้องอาศัยข้อมูลจำนวนมาก นอกจากนี้ การได้มาซึ่ง ข้อมูลคุณภาพสูง จากบุคคลแต่ละคนนั้นเป็นเรื่องยากมาก

อีกประเด็นหนึ่งคือ ผลข้างเคียงที่หายากและไม่คาดคิด ที่ยาอาจก่อให้เกิด ซึ่งมักจะไม่รวมอยู่ในแบบจำลองที่ออกแบบมาสำหรับกลุ่มควบคุม

แต่สิ่งที่ดร.นีลกังวลมากที่สุดคือแบบจำลองการทำนายนี้ตั้งอยู่บนสมมติฐาน "ดำเนินธุรกิจตามปกติ" ลองนึกภาพเหตุการณ์ใหญ่ที่ไม่คาดคิดอย่างเช่นการระบาดของโควิด-19 ที่เปลี่ยนแปลงพฤติกรรมของทุกคนและทำให้ผู้คนเจ็บป่วย "แบบจำลองควบคุมไม่ได้คำนึงถึงเรื่องนี้" เขากล่าว ดังนั้นเนื่องจากเหตุการณ์เหล่านี้ที่กลุ่มควบคุมไม่ได้คำนึงถึง ผลลัพธ์สุดท้ายของการทดลองจึงอาจแตกต่างไปอย่างสิ้นเชิง

แล้วสิ่งนี้จะใช้งานได้จริงหรือไม่? อนาคตจะเป็นอย่างไร?

เอริค โทพอล ผู้เชี่ยวชาญด้านการใช้เทคโนโลยีดิจิทัลในด้านการดูแลสุขภาพ คิดว่าแนวคิดนี้ยอดเยี่ยม แต่ยังไม่ใช่เวลาที่เหมาะสม "ผมไม่คิดว่าการทดลองทางคลินิกจะเปลี่ยนแปลงในอนาคตอันใกล้นี้ เพราะมันต้องการข้อมูลหลายชั้น นอกเหนือจากบันทึกสุขภาพแล้ว ยังต้องการข้อมูลอื่นๆ เช่น ลำดับจีโนม จุลินทรีย์ในลำไส้ และข้อมูลด้านสิ่งแวดล้อม"

ชาร์ลส์ ฟิชเชอร์ ผู้ก่อตั้ง Unlearn.AI ซึ่งเป็นผู้บุกเบิกเทคโนโลยีนี้ กล่าวว่า ปัจจุบันมีวิธีการแก้ปัญหาเรื่องความเป็นส่วนตัวของข้อมูลและอคติอยู่แล้ว "ความเป็นส่วนตัวนั้นง่าย เราทำงานกับข้อมูลที่ถูกทำให้เป็นนิรนามแล้วเท่านั้น"

เมื่อพูดถึงอคติ เขาบอกว่าถึงแม้ปัญหานี้จะยังไม่ได้รับการแก้ไขอย่างสมบูรณ์ แต่ก็ไม่เกี่ยวข้องกับผลการศึกษา เพราะการศึกษาเป็นการสุ่มตัวอย่าง ดังนั้นแม้จะมีอคติในข้อมูลบ้าง ก็ไม่ส่งผลกระทบต่อผลลัพธ์ อย่างไรก็ตาม ผู้เชี่ยวชาญบางคนไม่เห็นด้วยกับความคิดนี้ พวกเขากล่าวว่าเนื่องจากคุณกำลังเปรียบเทียบคนจริงกับแบบจำลองคอมพิวเตอร์ หากมีข้อผิดพลาดใด ๆ ในแบบจำลองนั้น ก็อาจส่งผลกระทบโดยตรงต่อผลลัพธ์ได้

อย่างไรก็ตาม Unlearn.AI กำลังทำงานร่วมกับบริษัทเภสัชกรรมเพื่อออกแบบการทดลองทางคลินิกสำหรับโรคทางระบบประสาท เช่น โรคอัลไซเมอร์ โรคพาร์กินสัน และโรคปลอกประสาทเสื่อมแข็ง พวกเขาเลือกโรคเหล่านี้เป็นจุดเริ่มต้นที่ดีเพราะมีข้อมูลมากกว่าโรคอื่นๆ ฟิชเชอร์กล่าวว่า หากวิธีการนี้สามารถนำไปใช้กับโรคทั้งหมดได้ในอนาคต มันจะช่วยลดระยะเวลาในการนำยาใหม่เข้าสู่ตลาดได้อย่างมาก