Ваш власний «цифровий двійник»? Новітня технологія, яка змінить тестування на наркотики (Цифровий двійник)

Ви коли-небудь замислювалися, скільки часу знадобилося, щоб та таблетка, яку ви прийняли сьогодні вранці, потрапила до ваших рук? Спочатку вони проводять масштабні дослідження в лабораторіях. Потім вони тестують її на тваринах. Але перш ніж її можна буде схвалити для використання на людях, її потрібно протестувати на людях. Це те, що ми називаємо клінічним випробуванням. Це дуже складний і дорогий процес.

Простіше кажучи, що таке клінічне випробування?

Простими словами, клінічне випробування працює так: дослідники набирають пацієнтів із захворюванням, на яке спрямований щойно розроблений препарат. Потім цих добровольців випадковим чином поділяють на дві групи.

1. Першій групі дають новий препарат для тестування.

2. Друга група , «контрольна група», отримує плацебо, яке не має активного інгредієнта та виглядає точно так само, як препарат. Ми називаємо це «плацебо».

Якщо після завершення цього випробування симптоми тих, хто приймав новий препарат, покращилися більше, ніж у тих, хто приймав плацебо, це доводить, що новий препарат ефективний.

Одна з найбільших проблем у такому дослідженні — знайти достатню кількість пацієнтів, які ідеально підходять для нього. Іноді навіть лікарі не знають, які випробування підходять саме їхнім пацієнтам. Крім того, характеристики пацієнтів, які бажають взяти участь, можуть не відповідати вимогам випробування. Однак штучний інтелект (ШІ) може значно спростити це завдання.

Зустріньте свого «цифрового двійника»

Уявіть, що у вас є власна комп'ютерна модель, тобто цифрова копія вас самих. Це те, що називається «цифровим двійником». Це просто «комп'ютерні моделі», які імітують реальний об'єкт або систему на комп'ютері. Але якщо розглядати їх чисельно, вони поводяться точно так само, як і справжні. Найкращим прикладом є вибух кисневого балона на космічному кораблі «Аполлон-13», який NASA допомогла відремонтувати за допомогою «цифрового двійника» того ж космічного корабля, побудованого на Землі.

Тепер вчені можуть створити «цифрового двійника» людини, маючи достатньо «даних». Для цього використовується технологія штучного інтелекту під назвою «машинне навчання». Простіше кажучи, це передбачає надання комп’ютерній програмі великої кількості даних і дозвіл їй навчатися на їх основі.

Цифрові двійники пацієнтів створюються шляхом навчання цих моделей машинного навчання з використанням даних попередніх клінічних випробувань та особистих медичних записів кожного пацієнта. Модель потім може передбачити, як зміниться здоров'я пацієнта протягом випробування, якщо йому дати плацебо.Тобто, для того ж пацієнта створюється контрольна група, згенерована комп'ютером (імітована контрольна група).

Тепер давайте подивимося, як це працює. Припустимо, когось на ім'я «Самадхі» обрано до групи, яка отримує новий препарат. «Цифровий двійник» Самадхі, комп'ютерна модель, знаходиться в контрольній групі. Модель передбачає, що станеться, якщо Самадхі дати «плацебо» замість самого препарату. Зрештою, різниця між фактичною реакцією Самадхі на препарат і тим, що, за прогнозами моделі, станеться, якщо він прийме «плацебо», є мірою ефективності препарату для Самадхі.

Давайте розглянемо цю таблицю, щоб чітко побачити переваги використання «цифрових двійників» замість традиційних команд управління.

Навіть якщо ця технологія хороша, хіба немає проблем?

Хоча ця технологія має великі перспективи для майбутнього, вона ще не отримала широкого використання. Для цього можуть бути вагомі причини. Як зазначає доктор Деніел Ніл, експерт з «(машинного навчання)», ці моделі спираються на великі обсяги даних. Крім того, дуже важко отримати високоякісні дані від окремих осіб.

Ще однією проблемою є рідкісні, неочікувані побічні ефекти , які може викликати препарат. Вони часто не враховуються моделлю, розробленою для контрольної групи.

Але найбільше побоювання доктора Ніла полягає в тому, що ця прогностична модель базується на принципі «звичайної роботи». Уявіть собі велику, неочікувану подію, таку як пандемія COVID-19, яка змінює поведінку всіх і призводить до захворювання людей. «Контрольні моделі не враховують цього», – каже він. Тоді, через ці події, які контрольна група не врахувала, кінцеві результати експерименту можуть бути зовсім іншими.

Тож чи справді це можна використовувати? Що принесе майбутнє?

Ерік Топол, експерт з використання цифрових технологій в охороні здоров'я, вважає, що ідея чудова, але час для неї ще не настав. «Я не думаю, що клінічні випробування зміняться найближчим часом. Тому що це вимагає кількох шарів даних, окрім просто медичних записів, таких як послідовності геному, кишковий мікробіом, дані про навколишнє середовище».

За словами Чарльза Фішера, засновника Unlearn.AI, піонера в цій технології, вже існують рішення проблем конфіденційності даних та упередженості. «Конфіденційність – це просто. Ми працюємо лише з даними, які вже були анонімізовані».

Говорячи про упередженість, він зазначає, що хоча це питання не було повністю вирішено, воно не має відношення до результатів дослідження. Оскільки дослідження рандомізовані, навіть якщо в даних є певна упередженість, вона не впливає на результати. Однак деякі експерти не погоджуються з цією ідеєю. Вони кажуть,Оскільки ви порівнюєте реальну людину з комп'ютерною моделлю, якщо в цій моделі є якась помилка, це може безпосередньо вплинути на результати.

Однак Unlearn.AI вже співпрацює з фармацевтичними компаніями над розробкою клінічних випробувань неврологічних захворювань, таких як хвороба Альцгеймера, хвороба Паркінсона та розсіяний склероз. Вони обрали ці захворювання як гарну відправну точку, оскільки мають більше даних, ніж інші. Фішер каже, що якщо метод одного дня можна буде застосувати до всіх захворювань, це може значно скоротити час, необхідний для виходу нових ліків на ринок.