你的“数字孪生”？即将改变药物检测的最新技术（数字孪生）

你有没有想过，你今天早上服用的那颗药丸，从研发到最终到达你手中，经历了多长时间？首先，实验室里要进行大量的研究。然后，还要进行动物试验。但在获准用于人体之前，必须先进行人体试验。这就是我们所说的临床试验。这是一个非常复杂且昂贵的过程。

简单来说，什么是临床试验？

简单来说，临床试验的流程是这样的：研究人员招募患有新研发药物所针对疾病的患者。然后，这些志愿者被随机分成两组。

1.第一组受试者服用待测试的新药。

2.第二组，即“对照组”，服用的安慰剂不含任何活性成分，外观与药物完全相同。我们称之为“安慰剂”。

如果在试验结束时，服用新药的患者的症状比服用安慰剂的患者的症状改善得更多，那么就证明新药是有效的。

此类试验面临的最大挑战之一是找到足够多的、完全符合试验条件的患者。有时，甚至医生也不知道哪些试验适合自己的患者。此外，想要参与试验的患者的特征可能与试验要求不符。然而，人工智能 (AI) 可以大大简化这项任务。

认识一下你的“数字孪生体”

想象一下，你拥有自己的计算机模型，也就是你自己的数字副本。这就是所谓的“数字孪生”。这些“计算机模型”只是在计算机上模拟现实世界中的物体或系统。但从数值角度来看，它们的行为与真实物体完全相同。最好的例子是阿波罗13号飞船的氧气罐爆炸后，NASA利用在地球上建造的同一艘飞船的“数字孪生”模型进行了修复。

如今，只要拥有足够的数据，科学家就能创建人类的“数字孪生”。这项技术运用了一种名为“机器学习”的人工智能技术。简而言之，它就是给计算机程序提供大量数据，让它从中学习。

利用以往临床试验的数据和每位患者的个人医疗记录训练机器学习模型，即可创建患者的数字孪生模型。然后，该模型可以预测，如果患者接受安慰剂治疗，其健康状况在试验过程中会发生怎样的变化。也就是说，为同一患者创建一个计算机生成的对照组（模拟对照组）。

现在我们来看看它是如何运作的。假设一个名叫“萨玛迪”的人被选中加入新药试验组。萨玛迪的“数字孪生体”（一个计算机模型）则被放在对照组。该模型会预测如果萨玛迪服用的是“安慰剂”而不是真正的药物，会发生什么。最终，萨玛迪对药物的实际反应与模型预测的服用“安慰剂”后的反应之间的差异，就可以用来衡量该药物对萨玛迪的疗效。

让我们来看这张表格，以便清楚地了解使用“数字孪生”而不是传统控制团队的好处。

虽然这项技术很好，但难道就没有问题吗？

尽管这项技术前景广阔，但尚未得到广泛应用。这或许有其原因。正如机器学习专家丹尼尔·尼尔博士所指出的，这些模型依赖于大量数据。此外，获取高质量的个人数据也十分困难。

另一个问题是药物可能引起的罕见且意想不到的副作用。这些副作用通常不在为对照组设计的模型涵盖范围内。

但尼尔博士最担心的是，这个预测模型是基于“一切照旧”的假设。试想一下，如果发生像新冠肺炎疫情这样突如其来的重大事件，改变了每个人的行为，导致人们生病，会发生什么？“对照模型并没有考虑到这一点，”他说道。那么，由于对照组没有考虑到这些事件，实验的最终结果可能会截然不同。

那么，这项技术真的能派上用场吗？未来又会如何发展呢？

埃里克·托波尔是医疗保健领域数字技术应用方面的专家，他认为这个想法很好，但时机尚未成熟。“我认为临床试验在短期内不会发生改变。因为它需要多层数据，不仅仅是健康记录，还包括基因组序列、肠道微生物组和环境数据等。”

据该技术先驱Unlearn.AI的创始人查尔斯·费舍尔称，数据隐私和偏见问题已经有了解决方案。“隐私很容易解决。我们只使用已经匿名化的数据。”

谈到偏差问题时，他表示，虽然这个问题尚未完全解决，但与研究结果无关。因为研究采用的是随机化设计，即使数据中存在一些偏差，也不会影响结果。然而，一些专家对此观点持不同意见。他们认为，因为你是将真人与计算机模型进行比较，所以如果该模型存在任何误差，都会直接影响结果。

然而，Unlearn.AI 已经与多家制药公司合作，为阿尔茨海默病、帕金森病和多发性硬化症等神经系统疾病设计临床试验。他们选择这些疾病作为研究起点，是因为与其他疾病相比，这些疾病拥有更丰富的数据。费舍尔表示，如果这种方法有朝一日能够应用于所有疾病，就能显著缩短新药上市所需的时间。