Lek, który zażyłeś dziś rano, przebył długą drogę z laboratorium do twojego opakowania. Najpierw są szeroko zakrojone badania laboratoryjne. Potem testy na zwierzętach. Zanim jednak lek zostanie dopuszczony do użytku, musi zostać przetestowany na ludziach - w kosztownym, skomplikowanym procesie zwanym badaniem klinicznym.
Podstawy
W najprostszej formie badanie kliniczne wygląda następująco: Naukowcy rekrutują pacjentów, którzy mają chorobę, na którą ukierunkowany jest eksperymentalny lek. Ochotnicy są losowo dzieleni na dwie grupy. Jedna grupa otrzymuje eksperymentalny lek; druga, zwana grupą kontrolną, otrzymuje placebo (leczenie, które wydaje się identyczne jak testowany lek, ale nie ma żadnego efektu). Jeśli pacjenci, którzy otrzymali aktywny lek, wykazują większą poprawę niż ci, którzy otrzymali placebo, jest to dowód na to, że lek jest skuteczny.
Jednym z najtrudniejszych elementów projektowania badań jest znalezienie wystarczającej liczby ochotników, którzy spełniają dokładne kryteria badania. Lekarze mogą nie wiedzieć o badaniach, które mogłyby pasować do ich pacjentów, a pacjenci, którzy chcą się zapisać, mogą nie mieć cech wymaganych w danym badaniu. Ale sztuczna inteligencja może znacznie ułatwić to zadanie.
Poznaj swojego bliźniaka
Bliźniaki cyfrowe to modele komputerowe symulujące obiekty lub systemy świata rzeczywistego. Pod względem statystycznym zachowują się one praktycznie tak samo, jak ich fizyczne odpowiedniki. NASA użyła cyfrowego bliźniaka statku kosmicznego Apollo 13, aby pomóc w dokonaniu napraw po eksplozji zbiornika z tlenem.
Mając wystarczająco dużo danych, naukowcy mogą stworzyć cyfrowe bliźniaki ludzi, wykorzystując uczenie maszynowe, rodzaj sztucznej inteligencji, w której programy uczą się na podstawie dużej ilości danych, a nie są specjalnie zaprogramowane do danego zadania. Cyfrowe bliźniaki pacjentów w badaniach klinicznych są tworzone poprzez szkolenie modeli uczenia maszynowego na danych pacjentów z poprzednich badań klinicznych i z indywidualnych zapisów pacjentów. Model przewiduje, jak zdrowie pacjenta rozwijałoby się w trakcie badania, gdyby otrzymał on placebo, tworząc w ten sposób symulowaną grupę kontrolną dla danego pacjenta.
Oto jak by to działało: Osoba, nazwijmy ją Sally, jest przypisana do grupy, która otrzymuje aktywny lek. Cyfrowy bliźniak Sally (model komputerowy) jest w grupie kontrolnej. Przewiduje on, co by się stało, gdyby Sally nie otrzymała leczenia. Różnica między reakcją Sally na lek a przewidywaną przez model reakcją Sally, gdyby zamiast niego przyjmowała placebo, będzie stanowić oszacowanie skuteczności leczenia dla Sally.
Cyfrowe bliźniaki są również tworzone dla pacjentów z grupy kontrolnej. Porównując przewidywania dotyczące tego, co stanie się z cyfrowymi bliźniakami otrzymującymi placebo, z ludźmi, którzy faktycznie otrzymali placebo, badacze mogą dostrzec wszelkie problemy w modelu i uczynić go bardziej dokładnym.
Zastąpienie lub rozszerzenie grup kontrolnych o cyfrowych bliźniaków mogłoby pomóc zarówno pacjentom, jak i badaczom. Większość ludzi, którzy dołączają do badań, robi to z nadzieją na otrzymanie nowego leku, który mógłby im pomóc, gdy już zatwierdzone leki zawiodły. Istnieje jednak 50/50 szans, że trafią do grupy kontrolnej i nie otrzymają eksperymentalnego leczenia. Zastąpienie grup kontrolnych cyfrowymi bliźniakami może oznaczać, że więcej osób będzie miało dostęp do eksperymentalnych leków.
The Unexpected
Technologia może być obiecująca, ale nie jest jeszcze w powszechnym użyciu - być może nie bez powodu. Doktor Daniel Neill jest ekspertem w dziedzinie uczenia maszynowego, w tym jego zastosowań w opiece zdrowotnej, na Uniwersytecie Nowojorskim. Zwraca on uwagę, że modele uczenia maszynowego zależą od posiadania dużej ilości danych, a uzyskanie wysokiej jakości danych dotyczących poszczególnych osób może być trudne. Informacje o takich rzeczach jak dieta i ćwiczenia są często zgłaszane przez samych siebie, a ludzie nie zawsze są szczerzy. Mają tendencję do przeceniania ilości ćwiczeń, które wykonują i niedoceniania ilości śmieciowego jedzenia, które jedzą - mówi.
Rozważanie rzadkich zdarzeń niepożądanych może być problemem, zbyt, dodaje. "Najprawdopodobniej są to rzeczy, których nie wymodelowałeś w swojej grupie kontrolnej". Na przykład, ktoś może mieć nieoczekiwaną negatywną reakcję na lek.
Ale największą obawą Neilla jest to, że model predykcyjny odzwierciedla to, co nazywa "biznesem jak zwykle". Powiedzmy, że duże nieoczekiwane wydarzenie - coś takiego jak pandemia COVID-19, na przykład - zmienia wzorce zachowań wszystkich i ludzie chorują. "To jest coś, czego te modele kontrolne nie wzięłyby pod uwagę" - mówi. Te nieprzewidziane zdarzenia, nieuwzględnione w grupie kontrolnej, mogłyby wpłynąć na wynik badania.
Eric Topol, założyciel i dyrektor Scripps Research Translational Institute oraz ekspert w dziedzinie wykorzystania technologii cyfrowych w opiece zdrowotnej, uważa, że pomysł jest świetny, ale nie jest jeszcze gotowy na premierę. "Nie sądzę, że próby kliniczne zmienią się w najbliższym czasie, ponieważ wymaga to wielu warstw danych poza dokumentacją zdrowotną, takich jak sekwencja genomu, mikrobiom jelitowy, dane środowiskowe i dalej, i dalej". Przewiduje on, że miną lata, zanim będzie można przeprowadzić badania na dużą skalę z wykorzystaniem AI, szczególnie dla więcej niż jednej choroby. (Topol jest również redaktorem naczelnym Medscape, siostrzanej strony internetowej lekarza).
Gromadzenie wystarczającej ilości danych wysokiej jakości jest wyzwaniem, mówi Charles Fisher, doktor, założyciel i dyrektor generalny Unlearn.AI, start-upu będącego pionierem cyfrowych bliźniaków dla badań klinicznych. Ale, jak mówi, zajęcie się tego rodzaju problemem jest częścią długoterminowych celów firmy.
Dwie z najczęściej wymienianych obaw dotyczących modeli uczenia maszynowego - prywatność i stronniczość - są już uwzględnione, mówi Fisher. "Prywatność jest łatwa. Pracujemy tylko z danymi, które zostały już zanonimizowane".
Jeśli chodzi o stronniczość, problem nie jest rozwiązany, ale jest nieistotny - przynajmniej dla wyniku badania, według Fishera. Dobrze udokumentowany problem z narzędziami uczenia maszynowego polega na tym, że mogą one być szkolone na tendencyjnych zestawach danych - na przykład takich, które niedostatecznie reprezentują określoną grupę. Jednak, jak mówi Fisher, ponieważ próby są randomizowane, wyniki nie są wrażliwe na tendencyjność danych. Próba mierzy, jak testowany lek wpływa na osoby w niej uczestniczące na podstawie porównania z grupą kontrolną i dostosowuje model tak, aby bardziej odpowiadał rzeczywistym kontrolom. Tak więc, według Fishera, nawet jeśli wybór uczestników badania jest stronniczy, a oryginalny zbiór danych jest stronniczy, "jesteśmy w stanie zaprojektować badania tak, aby były niewrażliwe na tę stronniczość".
Neill nie uważa tego za przekonujące. Możesz usunąć tendencyjność w randomizowanej próbie w wąskim sensie, poprzez dostosowanie modelu do prawidłowego oszacowania efektu leczenia dla badanej populacji, ale po prostu ponownie wprowadzisz te tendencyjności, gdy spróbujesz uogólnić poza badanie. Unlearn.AI "nie porównuje osób leczonych z kontrolami", mówi Neill. "Porównuje osoby leczone do opartych na modelach szacunków tego, jaki byłby wynik danej osoby, gdyby była w grupie kontrolnej. Wszelkie błędy w tych modelach lub wszelkie zdarzenia, których nie udało im się przewidzieć, mogą prowadzić do systematycznych błędów - czyli zawyżonych lub zaniżonych oszacowań efektu leczenia."
Jednak unlearn.AI prze do przodu. Już teraz współpracuje z firmami farmaceutycznymi w celu zaprojektowania badań dla chorób neurologicznych, takich jak choroba Alzheimera, Parkinsona i stwardnienie rozsiane. Na temat tych chorób jest więcej danych niż na temat wielu innych, więc były one dobrym miejscem do rozpoczęcia. Fisher twierdzi, że podejście to można by ostatecznie zastosować do każdej choroby, znacznie skracając czas potrzebny na wprowadzenie nowych leków na rynek.
Jeśli ta technologia okaże się przydatna, te niewidzialne rodzeństwo może przynieść korzyści zarówno pacjentom, jak i naukowcom.
