Naisip mo na ba kung gaano katagal dumating sa iyong mga kamay ang tabletang ininom mo kaninang umaga? Una, nagsasagawa sila ng malawakang pananaliksik sa mga laboratoryo. Pagkatapos ay sinusubukan nila ito sa mga hayop. Ngunit bago ito maaprubahan para magamit sa mga tao, kailangan muna nila itong subukan sa mga tao. Ito ang tinatawag nating clinical trial. Ito ay isang napakakumplikado at magastos na proseso.
Sa madaling salita, ano ang isang clinical trial?
Sa madaling salita, ganito ang paggana ng isang klinikal na pagsubok: Kinokolekta ng mga mananaliksik ang mga pasyenteng may sakit na tinatarget ng bagong gawang gamot. Ang mga boluntaryong ito ay random na hinahati sa dalawang grupo.
1. Ang unang grupo ay bibigyan ng bagong gamot na susubukan.
2. Ang pangalawang grupo , ang "Control Group", ay binibigyan ng placebo na walang aktibong sangkap at eksaktong kamukha ng gamot. Tinatawag natin itong "Placebo".
Kung, sa pagtatapos ng pagsubok na ito, ang mga sintomas ng mga uminom ng bagong gamot ay mas bumuti kaysa sa mga uminom ng placebo, pinatutunayan nito na epektibo ang bagong gamot.
Isa sa mga pinakamalaking hamon sa ganitong pagsubok ay ang paghahanap ng sapat na mga pasyente na eksaktong akma para sa pagsubok. Minsan kahit ang mga doktor ay hindi alam kung aling mga pagsubok ang tama para sa kanilang mga pasyente. Gayundin, ang mga katangian ng mga pasyenteng gustong lumahok ay maaaring hindi tumutugma sa mga kinakailangan ng pagsubok. Gayunpaman, maaaring gawing mas madali ng artificial intelligence (AI) ang gawaing ito.
Kilalanin ang iyong "Digital Twin"
Isipin mong mayroon kang sariling modelo ng kompyuter, ibig sabihin, isang digital na kopya ng iyong sarili. Iyan ang tinatawag na "Digital Twin". Ito ay mga "Computer Models" lamang na ginagaya ang isang totoong bagay o sistema sa isang kompyuter. Ngunit kung titingnan sa pamamagitan ng numero, ang mga ito ay kumikilos nang eksakto tulad ng totoong bagay. Ang pinakamagandang halimbawa ay noong sumabog ang isang tangke ng oxygen sa Apollo 13 spacecraft, tinulungan ito ng NASA na ayusin gamit ang isang "Digital Twin" ng parehong spacecraft na ginawa sa Daigdig.
Ngayon, makakalikha na ang mga siyentipiko ng isang "Digital Twin" ng isang tao, kung bibigyan ng sapat na "datos". Gumagamit ito ng teknolohiyang artificial intelligence na tinatawag na "Machine Learning". Sa madaling salita, nangangahulugan ito ng pagbibigay sa isang programa ng computer ng malaking dami ng datos at pagpapahintulot dito na matuto mula rito.
Ang mga Digital Twin ng mga pasyente ay nalilikha sa pamamagitan ng pagsasanay sa mga modelong Machine Learning na ito gamit ang datos mula sa mga nakaraang klinikal na pagsubok at mga personal na medikal na rekord ng bawat pasyente. Pagkatapos ay mahuhulaan ng modelo kung paano magbabago ang kalusugan ng isang pasyente sa paglipas ng panahon ng pagsubok kung bibigyan sila ng placebo.Ibig sabihin, isang computer-generated control group (Simulated Control Group) ang ginagawa para sa parehong pasyente.
Ngayon, tingnan natin kung paano ito gumagana. Sabihin nating may isang taong nagngangalang "Samadhi" na napili upang mapabilang sa grupong tatanggap ng bagong gamot. Ang "Digital Twin" ni Samadhi, isang modelo ng kompyuter, ay nasa control group. Hinuhulaan ng modelo kung ano ang mangyayari kung si Samadhi ay bibigyan ng "Placebo" sa halip na ang aktwal na gamot. Sa huli, ang pagkakaiba sa pagitan ng aktwal na tugon ni Samadhi sa gamot at kung ano ang hinulaang mangyayari ng modelo kung iinom siya ng "Placebo" ay isang sukatan kung gaano kabisa ang gamot para sa Samadhi.
Isa sa mga pinakamalaking bentahe ng pamamaraang ito ay halos lahat ng sumasali sa isang klinikal na pagsubok ay may pagkakataong makatanggap ng bagong gamot, dahil ang "placebo" ay ibinibigay sa kanilang digital twin.
Tingnan natin ang talahanayan na ito upang malinaw na makita ang mga benepisyo ng paggamit ng "Digital Twins" sa halip na mga tradisyunal na control team.
| Katangian | Tradisyonal na pamamaraan | Paraan ng Digital Twin |
|---|---|---|
| Grupong Kontrol | Binubuo ng mga totoong tao. Nakakakuha sila ng (Placebo). | Binubuo ng mga modelo ng kompyuter (Digital Twins). |
| Bentahe para sa mga pasyente | May 50% na posibilidad na makakuha ng placebo. Ibig sabihin, maaari mong laktawan ang bagong gamot. | Maraming tao ang may pagkakataong subukan ang tunay na gamot. |
| Bilang ng mga boluntaryong kailangan | Mas maraming tao ang kailangan (para sa parehong koponan). | Maaaring isagawa ang pagsusulit kasama ang isang maliit na bilang ng mga tao. |
| Oras at gastos | Napakataas. | Maaaring mabawasan nang malaki. |
Kahit maganda ang teknolohiyang ito, wala pa ring problema?
Bagama't malaki ang maitutulong ng teknolohiyang ito para sa hinaharap, hindi pa ito malawakang ginagamit. Maaaring may mabubuting dahilan para dito. Gaya ng itinuturo ni Dr. Daniel Neal, isang eksperto sa "(Machine Learning), ang mga modelong ito ay umaasa sa malalaking dami ng datos. Gayundin, napakahirap makakuha ng mataas na kalidad na datos mula sa mga indibidwal.
"Madalas na iniuulat ng mga tao ang impormasyon tungkol sa kanilang diyeta at mga gawi sa pag-eehersisyo. Hindi laging nagsasabi ng totoo ang mga tao. May tendensiya silang palakihin ang dami ng ehersisyo na ginagawa nila at maliitin ang dami ng junk food na kinakain nila."
Ang isa pang isyu ay ang mga bihira at hindi inaasahang epekto na maaaring idulot ng isang gamot. Kadalasan, hindi ito sakop ng modelong idinisenyo para sa control group.
Ngunit ang pinakamalaking kinatatakutan ni Dr. Neal ay ang predictive model na ito ay batay sa "business as usual." Isipin ang isang malaki at hindi inaasahang pangyayari tulad ng pandemya ng COVID-19 na nagbabago sa pag-uugali ng lahat at nagdudulot ng pagkakasakit sa mga tao. "Hindi ito isinasaalang-alang ng mga control model," aniya. Kung gayon, dahil sa mga pangyayaring ito na hindi isinaalang-alang ng control group, ang mga huling resulta ng eksperimento ay maaaring maging ganap na naiiba.
Kaya magagamit ba talaga ito? Ano kaya ang mangyayari sa hinaharap?
Ayon kay Eric Topol, isang eksperto sa paggamit ng digital na teknolohiya sa pangangalagang pangkalusugan, maganda ang ideya, ngunit hindi pa ito ang tamang panahon. "Sa palagay ko ay hindi magbabago ang mga klinikal na pagsubok sa malapit na hinaharap. Dahil nangangailangan ito ng maraming patong ng datos, higit pa sa mga rekord ng kalusugan, tulad ng mga genome sequence, gut microbiome, at datos sa kapaligiran."
Ayon kay Charles Fisher, tagapagtatag ng Unlearn.AI, isang tagapanguna sa teknolohiyang ito, mayroon nang mga solusyon sa mga problema ng privacy at bias ng datos. "Madali lang ang privacy. Gumagana lamang kami sa datos na na-anonymize na."
Kapag pinag-uusapan ang bias, sinasabi niya na kahit hindi pa ganap na nareresolba ang isyu, wala itong kaugnayan sa mga resulta ng pag-aaral. Dahil random ang mga pag-aaral, kahit na mayroong ilang bias sa datos, hindi ito nakakaapekto sa mga resulta. Gayunpaman, may ilang eksperto na hindi sumasang-ayon sa ideyang ito. Sinasabi nila,Dahil inihahambing mo ang isang totoong tao sa isang modelo ng computer, kung mayroong anumang error sa modelong iyon, maaari itong direktang makaapekto sa mga resulta.
Gayunpaman, ang Unlearn.AI ay nakikipagtulungan na sa mga kumpanya ng parmasyutiko upang magdisenyo ng mga klinikal na pagsubok para sa mga sakit sa neurological tulad ng Alzheimer's, Parkinson's, at multiple sclerosis. Pinili nila ang mga sakit na ito bilang isang magandang panimula dahil mas marami silang datos kaysa sa iba. Sinasabi ni Fisher na kung ang pamamaraan ay maaaring magamit balang araw sa lahat ng sakit, maaari nitong mabawasan nang malaki ang oras na kinakailangan para mailabas sa merkado ang mga bagong gamot.
Mensahe para sa Pag-uwi
- Ang digital twin ay isang computer model ng isang totoong pasyente na ginagamit sa mga clinical trial na sumusubok sa mga bagong gamot.
- Pinapayagan nito ang mga digital na modelong ito na magamit sa halip na gumamit ng mga totoong tao para sa control group.
- Ang isang pangunahing bentahe ng pamamaraang ito ay mas maraming kalahok sa pagsubok ang may pagkakataong matanggap ang aktwal na gamot na sinusuri.
- Gayunpaman, nananatili ang mga hamon, tulad ng kahirapan sa pagkuha ng mataas na kalidad na datos at ang kawalan ng kakayahang imodelo ang mga hindi inaasahang pangyayari.
- Bagama't malaki ang maitutulong ng teknolohiyang ito para sa kinabukasan ng medisina, nasa simula pa lamang ito. Kung mayroon kang anumang alalahanin o pagdududa, mahalagang makipag-usap sa iyong doktor .
💬 Comments (0)
Wala pang komentong nai-post. Idagdag ang iyong komento dito sa unang pagkakataon.
Idagdag ang iyong komento