你的「數位孿生」？即將改變藥物檢測的最新技術（數位孿生）

你有沒有想過，你今天早上服用的那顆藥丸，從研發到最終到達你手中，經歷了多久？首先，實驗室裡要進行大量的研究。然後，還要進行動物試驗。但在獲準用於人體之前，必須先進行人體試驗。這就是我們所說的臨床試驗。這是一個非常複雜且昂貴的過程。

簡單來說，什麼是臨床試驗？

簡單來說，臨床試驗的流程是這樣的：研究人員招募患有新研發藥物所針對疾病的病人。然後，這些志願者被隨機分成兩組。

1.第一組受試者服用待測試的新藥。

2.第二組，即“對照組”，服用的安慰劑不含任何活性成分，外觀與藥物完全相同。我們稱之為「安慰劑」。

如果在試驗結束時，服用新藥的患者的症狀比服用安慰劑的患者的症狀改善得更多，那麼就證明新藥是有效的。

此類試驗面臨的最大挑戰之一是找到足夠多的、完全符合試驗條件的患者。有時，連醫生也不知道哪些試驗適合自己的病人。此外，想要參與試驗的患者的特徵可能與試驗要求不符。然而，人工智慧 (AI) 可以大大簡化這項任務。

認識你的“數位孿生體”

想像一下，你擁有自己的電腦模型，也就是你自己的數位副本。這就是所謂的「數位孿生」。這些「電腦模型」只是在電腦上模擬現實世界中的物體或系統。但從數值角度來看，它們的行為與真實物體完全相同。最好的例子是阿波羅13號太空船的氧氣罐爆炸後，NASA利用在地球上建造的同一艘太空船的「數位孿生」模型進行了修復。

如今，只要擁有足夠的數據，科學家就能創造出人類的「數位孿生」。這項技術運用了一種名為「機器學習」的人工智慧技術。簡而言之，它就是給電腦程式提供大量數據，讓它從中學習。

利用以往臨床試驗的數據和每位患者的個人醫療記錄訓練機器學習模型，即可建立患者的數位孿生模型。然後，該模型可以預測，如果患者接受安慰劑治療，其健康狀況在試驗過程中會發生怎樣的變化。也就是說，為同一患者創建一個電腦生成的對照組（模擬對照組）。

現在我們來看看它是如何運作的。假設一個名叫「薩瑪迪」的人被選中加入新藥試驗組。薩瑪迪的「數位孿生體」（一個電腦模型）則被放在對照組。該模型會預測如果薩瑪迪服用的是「安慰劑」而不是真正的藥物，會發生什麼。最終，薩瑪迪對藥物的實際反應與模型預測的服用「安慰劑」後的反應之間的差異，就可以用來衡量該藥物對薩瑪迪的療效。

讓我們來看這張表格，以便清楚地了解使用「數位孿生」而不是傳統控制團隊的好處。

雖然這項技術很好，但難道沒有問題嗎？

儘管這項技術前景廣闊，但尚未廣泛應用。這或許有其原因。正如機器學習專家丹尼爾·尼爾博士所指出的，這些模型依賴大量數據。此外，取得高品質的個人資料也十分困難。

另一個問題是藥物可能引起的罕見且意想不到的副作用。這些副作用通常不在為對照組設計的模型涵蓋範圍內。

但尼爾博士最擔心的是，這個預測模型是基於「一切照舊」的假設。試想一下，如果發生像新冠肺炎疫情這樣突如其來的重大事件，改變了每個人的行為，導致人們生病，會發生什麼事？ 「對照模型並沒有考慮到這一點，」他說。那麼，由於對照組沒有考慮到這些事件，實驗的最終結果可能會截然不同。

那麼，這項技術真的能派上用場嗎？未來又會如何發展呢？

艾瑞克·托波爾是醫療保健領域數位科技應用的專家，他認為這個想法很好，但時機尚未成熟。 “我認為臨床試驗在短期內不會發生改變。因為它需要多層數據，不僅僅是健康記錄，還包括基因組序列、腸道微生物組和環境數據等。”

據該技術先驅Unlearn.AI的創始人查爾斯費雪稱，資料隱私和偏見問題已經有了解決方案。 “隱私很容易解決。我們只使用已經匿名化的數據。”

談到偏差問題時，他表示，雖然這個問題尚未完全解決，但與研究結果無關。因為研究採用的是隨機化設計，即使資料中存在一些偏差，也不會影響結果。然而，一些專家對此觀點持不同意見。他們認為，因為你是將真人與電腦模型進行比較，所以如果模型有任何誤差，都會直接影響結果。

然而，Unlearn.AI 已經與多家製藥公司合作，為阿茲海默症、帕金森氏症和多發性硬化症等神經系統疾病設計臨床試驗。他們選擇這些疾病作為研究起點，是因為與其他疾病相比，這些疾病擁有更豐富的數據。費雪表示，如果這種方法有朝一日能夠應用於所有疾病，就能大幅縮短新藥上市所需的時間。