التوأم الذي لم تكن تعلم بوجوده

لقد قطع الدواء الذي تناولته هذا الصباح شوطًا طويلاً من المختبر إلى علبة حبوب منع الحمل. أولاً ، هناك أبحاث معملية مكثفة. بعد ذلك ، اختبار الحيوانات. ولكن قبل الموافقة على عقار ما للاستخدام ، يجب اختباره على البشر – في عملية مكلفة ومعقدة تُعرف بالتجربة السريرية.

أساسيات

في أبسط أشكالها ، تبدو التجربة السريرية كما يلي: يقوم الباحثون بتسجيل المرضى المصابين بالمرض الذي يستهدفه الدواء التجريبي. يتم تقسيم المتطوعين بشكل عشوائي إلى مجموعتين. مجموعة واحدة تتلقى الدواء التجريبي ؛ المجموعة الأخرى ، التي تسمى المجموعة الضابطة ، تتلقى علاجًا وهميًا (علاج يشبه الدواء الذي يجري اختباره ، ولكن ليس له أي تأثير). إذا أظهر المرضى الذين يتلقون الدواء الفعال تحسنًا أكبر من أولئك الذين يتلقون الدواء الوهمي ، فهذا دليل على أن الدواء فعال.

أحد أصعب أجزاء تصميم التجربة هو العثور على عدد كافٍ من المتطوعين الذين يستوفون المعايير الدقيقة للدراسة. قد لا يعرف الأطباء التجارب التي قد تكون مناسبة لمرضاهم ، وقد لا يتمتع المرضى الذين يرغبون في التسجيل بالسمات اللازمة لتجربة معينة. لكن الذكاء الاصطناعي يمكن أن يجعل هذه المهمة أسهل بكثير.

قابل توأمك

التوائم الرقمية هي نماذج حاسوبية تحاكي أشياء أو أنظمة في العالم الحقيقي. إنهم يتصرفون تقريبًا ، إحصائيًا ، مثل نظرائهم الماديين. استخدمت ناسا توأمًا رقميًا من مركبة الفضاء أبولو 13 للمساعدة في إجراء الإصلاحات بعد انفجار خزان أكسجين ، تاركًا المهندسين على الأرض يتدافعون لإجراء الإصلاحات على بعد 200 ألف ميل.

عند توفر بيانات كافية ، يمكن للعلماء إنشاء توائم رقمية للأشخاص ، باستخدام التعلم الآلي ، وهو نوع من الذكاء الاصطناعي تتعلم فيه البرامج من كميات كبيرة من البيانات بدلاً من كونها مبرمجة خصيصًا للمهمة. يتم إنشاء التوائم الرقمية للمرضى في التجارب السريرية من خلال تدريب نماذج التعلم الآلي على بيانات المرضى من التجارب السريرية السابقة ومن سجلات المرضى الفردية. يتنبأ النموذج بكيفية تقدم صحة المريض أثناء التجربة إذا تم إعطاؤه دواءً وهميًا ، مما يؤدي بشكل أساسي إلى إنشاء مجموعة تحكم محاكاة لمريض معين.

إليكم كيف ستعمل: شخص واحد ، دعنا نسميها سالي ، تم تخصيصه للمجموعة التي تتلقى العقار الفعال. التوأم الرقمي لسالي (نموذج الكمبيوتر) هو جزء من مجموعة التحكم. يتنبأ بما سيحدث إذا لم تتلق سالي العلاج. سيكون الفرق بين استجابة سالي للدواء وتنبؤ النموذج باستجابة سالي إذا أخذت الدواء الوهمي بدلاً من ذلك تقديرًا لفعالية العلاج لسالي.

يتم أيضًا إنشاء التوائم الرقمية للمرضى في المجموعة الضابطة. من خلال مقارنة التنبؤات بما سيحدث للتوائم الرقمية التي تتلقى العلاج الوهمي مع البشر الذين تلقوا العلاج الوهمي بالفعل ، يمكن للباحثين اكتشاف أي مشاكل في النموذج وجعلها أكثر دقة.

يمكن أن يساعد استبدال مجموعات التحكم أو زيادتها بالتوائم الرقمية المرضى المتطوعين وكذلك الباحثين. معظم الأشخاص الذين ينضمون إلى التجربة يفعلون ذلك على أمل الحصول على دواء جديد قد يساعدهم عندما تفشل الأدوية المعتمدة مسبقًا. ولكن هناك فرصة بنسبة 50/50 في أن يتم وضعهم في المجموعة الضابطة وعدم تلقي العلاج التجريبي. قد يعني استبدال مجموعات التحكم بالتوائم الرقمية وصول المزيد من الأشخاص إلى الأدوية التجريبية.

الغير متوقع

قد تكون التكنولوجيا واعدة ، لكنها لم تستخدم على نطاق واسع حتى الآن – ربما لسبب وجيه. دانيال نيل ، دكتوراه ، هو خبير في التعلم الآلي ، بما في ذلك تطبيقاته في مجال الرعاية الصحية ، في جامعة نيويورك. ويشير إلى أن نماذج التعلم الآلي تعتمد على توافر الكثير من البيانات وأنه قد يكون من الصعب الحصول على بيانات عالية الجودة عن الأفراد. غالبًا ما يتم الإبلاغ عن المعلومات المتعلقة بأشياء مثل النظام الغذائي والتمارين الرياضية ، ولا يكون الأشخاص دائمًا صادقين. إنهم يميلون إلى المبالغة في تقدير مقدار التمارين التي يحصلون عليها والتقليل من كمية الوجبات السريعة التي يأكلونها ، كما يقول.

ويضيف أن التفكير في الأحداث الضائرة النادرة يمكن أن يكون مشكلة أيضًا. “على الأرجح ، هذه أشياء لم تكن نموذجًا لها في مجموعتك الضابطة.” على سبيل المثال ، قد يكون لدى شخص ما رد فعل سلبي غير متوقع تجاه عقار ما.

لكن القلق الأكبر لدى نيل هو أن النموذج التنبئي يعكس ما يسميه “الوضع الراهن”. لنفترض أن حدثًا كبيرًا غير متوقع – شيء مثل جائحة COVID-19 ، على سبيل المثال – يغير سلوكيات الجميع ويمرض الناس. يقول: “هذا شيء لن تأخذه نماذج التحكم هذه في الحسبان”. هذه الأحداث غير المتوقعة ، التي لم تؤخذ في الاعتبار في المجموعة الضابطة ، يمكن أن تشوه نتيجة المحاكمة.

يعتقد إريك توبول ، مؤسس ومدير معهد Scripps Research Translational وخبير في استخدام التقنيات الرقمية في الرعاية الصحية ، أن الفكرة رائعة.و ولكن ليس جاهزًا بعد في وقت الذروة. “لا أعتقد أن التجارب السريرية ستتغير على المدى القصير ، لأنها تتطلب طبقات متعددة من البيانات تتجاوز السجلات الصحية ، مثل تسلسل الجينوم ، وميكروبيوم الأمعاء ، والبيانات البيئية ، وما إلى ذلك. ويتوقع أن الأمر سيستغرق سنوات حتى نتمكن من إجراء تجارب على نطاق واسع باستخدام الذكاء الاصطناعي ، خاصة لأكثر من مرض واحد. (Topol هو أيضًا محرر Medscape ، الموقع الشقيق لـ WebMD.)

يقول تشارلز فيشر ، دكتوراه ، المؤسس والرئيس التنفيذي لشركة Unlearn.AI ، وهي شركة ناشئة رائدة في مجال التوائم الرقمية للتجارب السريرية ، إن جمع ما يكفي من البيانات عالية الجودة يمثل تحديًا. لكنه يقول إن حل هذا النوع من المشاكل هو جزء من أهداف الشركة طويلة المدى.

وفقًا لـ Fisher ، تمت معالجة اثنين من أكثر المخاوف التي يتم الاستشهاد بها بشكل متكرر حول نماذج التعلم الآلي – الخصوصية والتحيز – بالفعل. “الخصوصية سهلة. نحن نعمل فقط مع البيانات مجهولة المصدر بالفعل.

بالنسبة للتحيز ، لم يتم حل المشكلة ، لكنها ليست ذات صلة – على الأقل بنتيجة التجربة ، وفقًا لفيشر. هناك مشكلة موثقة جيدًا في أدوات التعلم الآلي وهي أنه يمكن تدريبها على مجموعات البيانات المتحيزة – على سبيل المثال ، تلك التي لا تمثل مجموعة معينة بشكل ناقص. لكن ، كما يقول فيشر ، نظرًا لأن التجارب عشوائية ، فإن النتائج غير حساسة للتحيز في البيانات. تقيس التجربة كيفية تأثير عقار الاختبار على الأشخاص في التجربة بناءً على مقارنة مع عناصر التحكم ، وتعدل النموذج ليتطابق بشكل وثيق مع عناصر التحكم في العالم الحقيقي. وبالتالي ، وفقًا لفيشر ، حتى لو كان اختيار الأشخاص للتجربة متحيزًا والبيانات الأصليةمتحيز ، “نحن قادرون على تصميم تجارب لتكون غير حساسة لهذا التحيز.”

نيل لا يجد هذا مقنعًا. يمكنك القضاء على التحيزات في تجربة عشوائية ضيقة ، عن طريق تعديل النموذج الخاص بك لتقدير تأثير العلاج بشكل صحيح على مجتمع الدراسة ، ولكنك ستعيد ببساطة تقديم هذه التحيزات عندما تحاول التعميم بعد الدراسة. Unlearn.AI “لا يقارن الأفراد المعالجين بالضوابط” ، كما يقول نيل. “إنها مسألة مقارنة الأفراد الذين عولجوا مع التقديرات القائمة على النموذج ما هي نتيجة الفرد لو كانوا في المجموعة الضابطة. أي خطأ في هذه النماذج أو أي حدث يفشلون في توقعه يمكن أن يؤدي إلى تحيزات منهجية ، أي المبالغة في تقدير أو التقليل من تأثير العلاج.

لكن لا تعلم. الذكاء الاصطناعي يمضي قدما. وهو يعمل بالفعل مع شركات الأدوية لتصميم تجارب للأمراض العصبية مثل مرض الزهايمر ومرض باركنسون والتصلب المتعدد. هناك المزيد من البيانات حول هذه الأمراض أكثر من العديد من البيانات الأخرى ، لذلك كان هذا مكانًا جيدًا للبدء. يقول فيشر إن هذا النهج يمكن تطبيقه في النهاية على جميع الأمراض ، مما يقلل بشكل كبير من الوقت الذي يستغرقه طرح أدوية جديدة في السوق.

إذا أثبتت هذه التقنية فائدتها ، يمكن أن يفيد هؤلاء الأشقاء غير المرئيين المرضى والباحثين على حد سواء.

اترك تعليقاً