Bạn đã bao giờ tự hỏi mất bao lâu để viên thuốc bạn uống sáng nay đến tay mình chưa? Đầu tiên, họ tiến hành nghiên cứu sâu rộng trong phòng thí nghiệm. Sau đó, họ thử nghiệm trên động vật. Nhưng trước khi được phê duyệt sử dụng cho người, họ phải thử nghiệm trên người. Đây được gọi là thử nghiệm lâm sàng. Đó là một quá trình rất phức tạp và tốn kém.
Nói một cách đơn giản, thử nghiệm lâm sàng là gì?
Nói một cách đơn giản, thử nghiệm lâm sàng hoạt động như sau: Các nhà nghiên cứu tuyển chọn bệnh nhân mắc bệnh mà loại thuốc mới đang nhắm đến. Sau đó, những người tình nguyện này được chia ngẫu nhiên thành hai nhóm.
1. Nhóm đầu tiên được cho dùng loại thuốc mới để thử nghiệm.
2. Nhóm thứ hai , "Nhóm Đối chứng", được cho dùng giả dược không chứa hoạt chất và trông giống hệt thuốc. Chúng ta gọi đây là "giả dược".
Nếu, sau khi kết thúc thử nghiệm, các triệu chứng của những người dùng thuốc mới được cải thiện nhiều hơn so với những người dùng giả dược, thì điều này chứng tỏ thuốc mới có hiệu quả.
Một trong những thách thức lớn nhất trong các thử nghiệm lâm sàng là tìm đủ số lượng bệnh nhân phù hợp với yêu cầu của thử nghiệm. Đôi khi ngay cả bác sĩ cũng không biết thử nghiệm nào phù hợp với bệnh nhân của mình. Hơn nữa, đặc điểm của những bệnh nhân muốn tham gia có thể không đáp ứng được yêu cầu của thử nghiệm. Tuy nhiên, trí tuệ nhân tạo (AI) có thể giúp công việc này trở nên dễ dàng hơn nhiều.
Gặp gỡ "Bản sao kỹ thuật số" của bạn
Hãy tưởng tượng bạn có một mô hình máy tính của riêng mình, tức là một bản sao kỹ thuật số của chính bạn. Đó được gọi là "Bản sao kỹ thuật số" (Digital Twin). Chúng chỉ đơn giản là "Mô hình máy tính" mô phỏng một vật thể hoặc hệ thống trong thế giới thực trên máy tính. Nhưng khi được xem xét dưới dạng số, chúng hoạt động chính xác như vật thể thật. Ví dụ điển hình nhất là khi bình oxy trên tàu vũ trụ Apollo 13 phát nổ, NASA đã hỗ trợ sửa chữa nó bằng một "Bản sao kỹ thuật số" của chính tàu vũ trụ đó được chế tạo trên Trái đất.
Hiện nay, các nhà khoa học có thể tạo ra một "bản sao kỹ thuật số" của con người nếu có đủ "dữ liệu". Điều này sử dụng công nghệ trí tuệ nhân tạo gọi là "Học máy". Nói một cách đơn giản, điều này bao gồm việc cung cấp cho một chương trình máy tính một lượng lớn dữ liệu và để nó học hỏi từ đó.
Các bản sao kỹ thuật số của bệnh nhân được tạo ra bằng cách huấn luyện các mô hình Học máy này sử dụng dữ liệu từ các thử nghiệm lâm sàng trước đó và hồ sơ y tế cá nhân của mỗi bệnh nhân. Sau đó, mô hình có thể dự đoán sức khỏe của bệnh nhân sẽ thay đổi như thế nào trong suốt quá trình thử nghiệm nếu họ được dùng giả dược.Tức là, một nhóm đối chứng được tạo ra bằng máy tính (Nhóm Đối chứng Mô phỏng) được thiết lập cho cùng một bệnh nhân đó.
Bây giờ chúng ta hãy xem cách thức hoạt động của nó. Giả sử một người tên "Samadhi" được chọn vào nhóm dùng thuốc mới. "Bản sao kỹ thuật số" của Samadhi, một mô hình máy tính, nằm trong nhóm đối chứng. Mô hình này dự đoán điều gì sẽ xảy ra nếu Samadhi được dùng "giả dược" thay vì thuốc thật. Cuối cùng, sự khác biệt giữa phản ứng thực tế của Samadhi với thuốc và những gì mô hình dự đoán sẽ xảy ra nếu anh ta dùng "giả dược" chính là thước đo hiệu quả của thuốc đối với Samadhi.
Một trong những ưu điểm lớn nhất của phương pháp này là hầu hết mọi người tham gia thử nghiệm lâm sàng đều có cơ hội nhận được thuốc mới, bởi vì "giả dược" được dùng cho bản sao kỹ thuật số của họ.
Hãy xem bảng này để thấy rõ hơn những lợi ích của việc sử dụng "Bản sao kỹ thuật số" thay vì các nhóm kiểm soát truyền thống.
| Đặc điểm | Phương pháp truyền thống | Phương pháp song sinh kỹ thuật số |
|---|---|---|
| Nhóm đối chứng | Bao gồm những người thật. Họ nhận được (thuốc giả dược). | Bao gồm các mô hình máy tính (Bản sao kỹ thuật số). |
| Lợi ích cho bệnh nhân | Có 50% khả năng bạn sẽ nhận được giả dược. Điều đó có nghĩa là bạn có thể bỏ qua việc dùng thuốc mới. | Nhiều người có cơ hội dùng thử loại thuốc thật. |
| Số lượng tình nguyện viên cần thiết | Cần thêm người (cho cả hai đội). | Bài kiểm tra có thể được tiến hành với một số lượng nhỏ người tham gia. |
| Thời gian và chi phí | Rất cao. | Có thể giảm đáng kể. |
Mặc dù công nghệ này rất tốt, nhưng liệu có vấn đề gì không?
Mặc dù công nghệ này hứa hẹn rất nhiều tiềm năng trong tương lai, nhưng nó vẫn chưa được sử dụng rộng rãi. Có thể có những lý do chính đáng cho điều này. Như Tiến sĩ Daniel Neal, một chuyên gia về "(Học máy)", đã chỉ ra, các mô hình này dựa trên lượng dữ liệu khổng lồ. Hơn nữa, việc thu thập dữ liệu chất lượng cao từ các cá nhân là rất khó khăn.
"Mọi người thường tự báo cáo thông tin về chế độ ăn uống và thói quen tập thể dục của mình. Nhưng không phải lúc nào họ cũng nói thật. Họ thường phóng đại lượng vận động và đánh giá thấp lượng thức ăn nhanh mà họ ăn."
Một vấn đề khác là các tác dụng phụ hiếm gặp, không lường trước được mà thuốc có thể gây ra. Những tác dụng phụ này thường không được mô hình thiết kế cho nhóm đối chứng bao gồm.
Nhưng nỗi lo lớn nhất của Tiến sĩ Neal là mô hình dự đoán này dựa trên giả định "mọi việc vẫn diễn ra như thường lệ". Hãy tưởng tượng một sự kiện lớn, bất ngờ như đại dịch COVID-19 làm thay đổi hành vi của mọi người và khiến nhiều người bị bệnh. "Các mô hình kiểm soát không tính đến điều này", ông nói. Khi đó, do những sự kiện mà nhóm kiểm soát không tính đến, kết quả cuối cùng của thí nghiệm có thể hoàn toàn khác.
Vậy liệu điều này có thực sự khả thi? Tương lai sẽ ra sao?
Eric Topol, một chuyên gia về việc sử dụng công nghệ kỹ thuật số trong chăm sóc sức khỏe, cho rằng ý tưởng này rất tuyệt vời, nhưng thời điểm hiện tại chưa thích hợp. "Tôi không nghĩ các thử nghiệm lâm sàng sẽ thay đổi trong tương lai gần. Bởi vì nó đòi hỏi nhiều lớp dữ liệu, không chỉ là hồ sơ sức khỏe, mà còn bao gồm trình tự gen, hệ vi sinh vật đường ruột, dữ liệu môi trường."
Theo Charles Fisher, người sáng lập Unlearn.AI, một công ty tiên phong trong công nghệ này, đã có những giải pháp cho các vấn đề về bảo mật dữ liệu và sự thiên vị. "Bảo mật rất dễ. Chúng tôi chỉ làm việc với dữ liệu đã được ẩn danh."
Khi nói về sự thiên lệch, ông ấy cho rằng mặc dù vấn đề này chưa được giải quyết hoàn toàn, nhưng nó không liên quan đến kết quả nghiên cứu. Bởi vì các nghiên cứu đều được tiến hành ngẫu nhiên, nên ngay cả khi có một số thiên lệch trong dữ liệu, nó cũng không ảnh hưởng đến kết quả. Tuy nhiên, một số chuyên gia không đồng ý với quan điểm này. Họ nói rằng,Vì bạn đang so sánh một người thật với một mô hình máy tính, nếu có bất kỳ lỗi nào trong mô hình đó, nó có thể ảnh hưởng trực tiếp đến kết quả.
Tuy nhiên, Unlearn.AI hiện đang hợp tác với các công ty dược phẩm để thiết kế các thử nghiệm lâm sàng cho các bệnh thần kinh như Alzheimer, Parkinson và đa xơ cứng. Họ chọn những bệnh này làm điểm khởi đầu tốt vì chúng có nhiều dữ liệu hơn các bệnh khác. Fisher cho biết nếu phương pháp này một ngày nào đó có thể được áp dụng cho tất cả các bệnh, nó có thể rút ngắn đáng kể thời gian đưa thuốc mới ra thị trường.
Thông điệp cần ghi nhớ
- Mô hình song sinh kỹ thuật số là mô hình máy tính của một bệnh nhân thực được sử dụng trong các thử nghiệm lâm sàng để kiểm tra các loại thuốc mới.
- Điều này cho phép sử dụng các mô hình kỹ thuật số này thay vì sử dụng người thật làm nhóm đối chứng.
- Một ưu điểm chính của phương pháp này là nhiều người tham gia thử nghiệm có cơ hội được dùng trực tiếp loại thuốc đang được thử nghiệm.
- Tuy nhiên, vẫn còn những thách thức, chẳng hạn như khó khăn trong việc thu thập dữ liệu chất lượng cao và không thể mô phỏng các sự kiện bất ngờ.
- Mặc dù công nghệ này hứa hẹn rất nhiều cho tương lai của y học, nhưng nó vẫn còn đang trong giai đoạn sơ khai. Nếu bạn có bất kỳ lo ngại hoặc nghi ngờ nào, điều quan trọng là hãy nói chuyện với bác sĩ của bạn .
💬 Comments (0)
Chưa có bình luận nào được đăng. Thêm bình luận của bạn ở đây lần đầu tiên.
Thêm nhận xét của bạn