Kendi "dijital ikiziniz" mi? Uyuşturucu testlerini değiştirecek en yeni teknoloji (Dijital İkiz)

Bu sabah aldığınız hapın elinize ulaşmasının ne kadar sürdüğünü hiç merak ettiniz mi? Öncelikle laboratuvarlarda kapsamlı araştırmalar yapılıyor. Sonra hayvanlar üzerinde test ediliyor. Ancak insanlarda kullanım için onaylanmadan önce insanlar üzerinde test edilmesi gerekiyor. Buna klinik deneme diyoruz. Çok karmaşık ve pahalı bir süreç.

Basitçe anlatmak gerekirse, klinik araştırma nedir?

Basitçe anlatmak gerekirse, klinik bir deneme şu şekilde işler: Araştırmacılar, yeni geliştirilen ilacın hedeflediği hastalığa sahip hastaları işe alırlar. Bu gönüllüler daha sonra rastgele iki gruba ayrılır.

1. Birinci gruba test edilecek yeni ilaç verilir.

2. İkinci grup olan "Kontrol Grubu"na, aktif madde içermeyen ve ilaca tıpatıp benzeyen bir plasebo verilir. Buna "Plasebo" diyoruz.

Bu denemenin sonunda, yeni ilacı alanların semptomlarında plasebo alanlara göre daha fazla iyileşme görülürse, bu yeni ilacın etkili olduğunu kanıtlar.

Bu tür bir denemede karşılaşılan en büyük zorluklardan biri, denemeye tam olarak uygun yeterli sayıda hasta bulmaktır. Bazen doktorlar bile hangi denemelerin hastaları için doğru olduğunu bilemezler. Ayrıca, katılmak isteyen hastaların özellikleri, denemenin gereklilikleriyle uyuşmayabilir. Ancak yapay zeka (YZ) bu görevi çok daha kolay hale getirebilir.

"Dijital ikizinizle" tanışın

Kendinizin dijital bir kopyası olan kendi bilgisayar modelinize sahip olduğunuzu hayal edin. Buna "Dijital İkiz" denir. Bunlar, gerçek dünyadaki bir nesneyi veya sistemi bilgisayarda simüle eden "Bilgisayar Modelleri"dir. Ancak sayısal olarak bakıldığında, gerçek şeyle tamamen aynı şekilde davranırlar. En iyi örnek, Apollo 13 uzay aracındaki bir oksijen tankı patladığında, NASA'nın Dünya'da inşa edilen aynı uzay aracının "Dijital İkizi" ile onarımına yardımcı olmasıdır.

Artık bilim insanları, yeterli veri verildiğinde bir insanın "Dijital İkizini" oluşturabiliyorlar. Bu, "Makine Öğrenimi" adı verilen yapay zeka teknolojisini kullanıyor. Basitçe söylemek gerekirse, bu, bir bilgisayar programına büyük miktarda veri verip ondan öğrenmesini sağlamayı içeriyor.

Hastaların dijital ikizleri, önceki klinik araştırmalardan ve her hastanın kişisel tıbbi kayıtlarından elde edilen veriler kullanılarak bu makine öğrenimi modelleri eğitilerek oluşturulur. Model daha sonra , hastaya plasebo verilmesi durumunda, hastanın sağlığının deneme süresi boyunca nasıl değişeceğini tahmin edebilir.Yani, aynı hasta için bilgisayar tarafından oluşturulmuş bir kontrol grubu (Simüle Kontrol Grubu) oluşturulur.

Şimdi bunun nasıl çalıştığına bakalım. Diyelim ki "Samadhi" adında biri yeni bir ilaç alacak gruba seçildi. Samadhi'nin "Dijital İkizi", yani bir bilgisayar modeli, kontrol grubunda yer alıyor. Model, Samadhi'ye gerçek ilaç yerine "Plasebo" verilmesi durumunda ne olacağını tahmin ediyor. Sonuç olarak, Samadhi'nin ilaca verdiği gerçek tepki ile modelin "Plasebo" alması durumunda olacağını tahmin ettiği tepki arasındaki fark, ilacın Samadhi için ne kadar etkili olduğunun bir ölçüsüdür.

Geleneksel kontrol ekipleri yerine "Dijital İkizler" kullanmanın faydalarını açıkça görmek için bu tabloya bakalım.

Bu teknoloji iyi olsa da, sorunları yok mu?

Bu teknoloji gelecek için büyük umut vaat etse de henüz yaygın olarak kullanılmamaktadır. Bunun geçerli nedenleri olabilir. Makine öğrenimi uzmanı Dr. Daniel Neal'ın da belirttiği gibi, bu modeller büyük miktarda veriye dayanmaktadır. Ayrıca, bireylerden yüksek kaliteli veri elde etmek çok zordur.

Bir diğer sorun ise ilacın neden olabileceği nadir, beklenmedik yan etkilerdir . Bunlar genellikle kontrol grubu için tasarlanan modelde ele alınmaz.

Ancak Dr. Neal'ın en büyük korkusu, bu tahmin modelinin "her zamanki gibi işleyiş"e dayanmasıdır. COVID-19 pandemisi gibi büyük, beklenmedik bir olayın herkesin davranışını değiştirdiğini ve insanları hasta ettiğini düşünün. "Kontrol modelleri bunu hesaba katmaz," diyor. Daha sonra, kontrol grubunun hesaba katmadığı bu olaylar nedeniyle, deneyin nihai sonuçları tamamen farklı olabilir.

Peki bu gerçekten kullanılabilir mi? Gelecek ne getirecek?

Sağlık hizmetlerinde dijital teknolojinin kullanımı konusunda uzman olan Eric Topol, fikrin harika olduğunu ancak zamanın henüz uygun olmadığını düşünüyor. "Klinik araştırmaların yakın gelecekte değişeceğini sanmıyorum. Çünkü bu, sadece sağlık kayıtlarının ötesinde, genom dizilimleri, bağırsak mikrobiyomu, çevresel veriler gibi çok katmanlı veriler gerektiriyor."

Bu teknolojinin öncülerinden Unlearn.AI'nin kurucusu Charles Fisher'a göre, veri gizliliği ve önyargı sorunlarına zaten çözümler mevcut. "Gizlilik kolay. Biz sadece zaten anonimleştirilmiş verilerle çalışıyoruz."

Önyargıdan bahsederken, sorunun tamamen çözülmemiş olmasına rağmen, çalışmanın sonuçlarıyla ilgili olmadığını söylüyor. Çalışmalar rastgeleleştirildiği için, verilerde bir miktar önyargı olsa bile sonuçları etkilemez. Ancak bazı uzmanlar bu fikre katılmıyor. Şöyle diyorlar:Gerçek bir insanı bilgisayar modeliyle karşılaştırdığınız için, modelde herhangi bir hata varsa, bu sonuçları doğrudan etkileyebilir.

Ancak Unlearn.AI, Alzheimer, Parkinson ve multipl skleroz gibi nörolojik hastalıklar için klinik denemeler tasarlamak üzere ilaç şirketleriyle zaten çalışıyor. Bu hastalıkları, diğerlerine göre daha fazla veriye sahip oldukları için başlangıç ​​noktası olarak seçtiler. Fisher, yöntemin bir gün tüm hastalıklara uygulanabilir hale gelmesi durumunda, yeni ilaçların piyasaya sürülme süresini önemli ölçüde azaltabileceğini söylüyor.