Bản sao kỹ thuật số có thể thay đổi các thử nghiệm lâm sàng mãi mãi

• Những điều cơ bản
• Gặp gỡ người song sinh của bạn
• Sự bất ngờ

Thuốc bạn uống sáng nay đã đi một chặng đường dài từ phòng thí nghiệm đến hộp thuốc của bạn. Đầu tiên, có nghiên cứu trong phòng thí nghiệm mở rộng. Sau đó, thử nghiệm trên động vật. Nhưng trước khi một loại thuốc có thể được chấp thuận sử dụng, nó phải được thử nghiệm trên người - trong một quá trình phức tạp, tốn kém được gọi là thử nghiệm lâm sàng.

Những điều cơ bản

Ở dạng đơn giản nhất, một thử nghiệm lâm sàng diễn ra như sau: Các nhà nghiên cứu tuyển dụng những bệnh nhân mắc căn bệnh mà loại thuốc thử nghiệm nhắm đến. Những người tình nguyện được chia ngẫu nhiên thành hai nhóm. Một nhóm được dùng thuốc thử nghiệm; nhóm còn lại, được gọi là nhóm đối chứng, được dùng giả dược (một phương pháp điều trị có vẻ giống hệt với loại thuốc đang được thử nghiệm, nhưng không có tác dụng). Nếu những bệnh nhân dùng thuốc có hoạt tính cho thấy sự cải thiện nhiều hơn những bệnh nhân dùng giả dược, thì đó là bằng chứng cho thấy loại thuốc đó có hiệu quả.

Một trong những phần khó khăn nhất của việc thiết kế thử nghiệm là tìm đủ số lượng tình nguyện viên đáp ứng chính xác các tiêu chí của nghiên cứu. Các bác sĩ có thể không biết về các thử nghiệm có thể phù hợp với bệnh nhân của họ và những bệnh nhân sẵn sàng đăng ký có thể không có các đặc điểm cần thiết cho một thử nghiệm nhất định. Nhưng trí tuệ nhân tạo có thể giúp công việc đó dễ dàng hơn rất nhiều.

Gặp gỡ người song sinh của bạn

Bản sao kỹ thuật số là mô hình máy tính mô phỏng các vật thể hoặc hệ thống trong thế giới thực. Về mặt thống kê, chúng hoạt động gần như giống hệt với bản sao vật lý của chúng. NASA đã sử dụng bản sao kỹ thuật số của tàu vũ trụ Apollo 13 để giúp sửa chữa sau khi một bình oxy phát nổ, khiến các kỹ sư trên Trái đất phải vật lộn để sửa chữa từ khoảng cách 200.000 dặm.

Với đủ dữ liệu, các nhà khoa học có thể tạo ra bản sao kỹ thuật số của con người, sử dụng máy học, một loại trí tuệ nhân tạo trong đó các chương trình học từ lượng lớn dữ liệu thay vì được lập trình cụ thể cho nhiệm vụ trong tầm tay. Bản sao kỹ thuật số của bệnh nhân trong các thử nghiệm lâm sàng được tạo ra bằng cách đào tạo các mô hình máy học trên dữ liệu bệnh nhân từ các thử nghiệm lâm sàng trước đó và từ hồ sơ bệnh nhân riêng lẻ. Mô hình dự đoán sức khỏe của bệnh nhân sẽ tiến triển như thế nào trong quá trình thử nghiệm nếu họ được dùng giả dược, về cơ bản là tạo ra một nhóm đối chứng mô phỏng cho một bệnh nhân cụ thể.

Vậy thì đây là cách thức hoạt động: Một người, chúng ta hãy gọi cô ấy là Sally, được phân vào nhóm nhận được thuốc hoạt động. Bản sao kỹ thuật số của Sally (mô hình máy tính) nằm trong nhóm đối chứng. Nó dự đoán điều gì sẽ xảy ra nếu Sally không được điều trị. Sự khác biệt giữa phản ứng của Sally với thuốc và dự đoán của mô hình về phản ứng của Sally nếu cô ấy dùng giả dược thay thế sẽ là ước tính về mức độ hiệu quả của phương pháp điều trị đối với Sally.

Bản sao kỹ thuật số cũng được tạo ra cho những bệnh nhân trong nhóm đối chứng. Bằng cách so sánh các dự đoán về những gì sẽ xảy ra với bản sao kỹ thuật số dùng giả dược với những người thực sự dùng giả dược, các nhà nghiên cứu có thể phát hiện ra bất kỳ vấn đề nào trong mô hình và làm cho nó chính xác hơn.

Việc thay thế hoặc tăng cường các nhóm đối chứng bằng bản sao kỹ thuật số có thể giúp ích cho cả bệnh nhân tình nguyện cũng như các nhà nghiên cứu. Hầu hết những người tham gia thử nghiệm đều hy vọng sẽ nhận được một loại thuốc mới có thể giúp họ khi các loại thuốc đã được chấp thuận đã thất bại. Nhưng có 50/50 khả năng họ sẽ được đưa vào nhóm đối chứng và sẽ không được điều trị thử nghiệm. Việc thay thế các nhóm đối chứng bằng bản sao kỹ thuật số có thể có nghĩa là nhiều người hơn có thể tiếp cận với các loại thuốc thử nghiệm.

Sự bất ngờ

Công nghệ này có thể hứa hẹn, nhưng vẫn chưa được sử dụng rộng rãi – có lẽ vì lý do chính đáng. Daniel Neill, Tiến sĩ, là chuyên gia về máy học, bao gồm các ứng dụng của nó trong chăm sóc sức khỏe, tại Đại học New York. Ông chỉ ra rằng các mô hình máy học phụ thuộc vào việc có nhiều dữ liệu và có thể khó có được dữ liệu chất lượng cao về các cá nhân. Thông tin về những thứ như chế độ ăn uống và tập thể dục thường được tự báo cáo và mọi người không phải lúc nào cũng trung thực. Ông cho biết họ có xu hướng đánh giá quá cao lượng bài tập mà họ thực hiện và đánh giá thấp lượng thức ăn vặt mà họ ăn.

Ông nói thêm rằng việc xem xét các tác dụng phụ hiếm gặp cũng có thể là một vấn đề. "Rất có thể, đó là những điều bạn chưa mô hình hóa trong nhóm đối chứng của mình." Ví dụ, ai đó có thể có phản ứng tiêu cực không mong muốn với một loại thuốc.

Nhưng mối lo ngại lớn nhất của Neill là mô hình dự đoán phản ánh cái mà ông gọi là "hoạt động kinh doanh như thường lệ". Giả sử một sự kiện bất ngờ lớn - chẳng hạn như đại dịch COVID-19 - thay đổi các kiểu hành vi của mọi người và mọi người bị bệnh. "Đó là điều mà các mô hình kiểm soát này sẽ không tính đến", ông nói. Những sự kiện không lường trước đó, không được tính đến trong nhóm kiểm soát, có thể làm sai lệch kết quả của thử nghiệm.

Eric Topol, người sáng lập và giám đốc của Viện nghiên cứu chuyển dịch Scripps và là chuyên gia về việc sử dụng công nghệ số trong chăm sóc sức khỏe, cho rằng ý tưởng này rất tuyệt, nhưng vẫn chưa sẵn sàng để đưa vào sử dụng. “Tôi không nghĩ các thử nghiệm lâm sàng sẽ thay đổi trong tương lai gần, vì điều này đòi hỏi nhiều lớp dữ liệu ngoài hồ sơ sức khỏe, chẳng hạn như trình tự bộ gen, hệ vi sinh vật đường ruột, dữ liệu môi trường, v.v.” Ông dự đoán rằng sẽ mất nhiều năm để có thể thực hiện các thử nghiệm quy mô lớn bằng AI, đặc biệt là đối với nhiều bệnh. (Topol cũng là tổng biên tập của Medscape, trang web chị em của WebMD.)

Tiến sĩ Charles Fisher, người sáng lập kiêm giám đốc điều hành của Unlearn.AI, một công ty khởi nghiệp tiên phong về bản sao kỹ thuật số cho các thử nghiệm lâm sàng, cho biết việc thu thập đủ dữ liệu chất lượng là một thách thức. Nhưng ông cho biết, giải quyết vấn đề đó là một phần trong các mục tiêu dài hạn của công ty.

Fisher cho biết hai trong số những mối quan tâm thường được trích dẫn nhất về các mô hình học máy – quyền riêng tư và sự thiên vị – đã được tính đến. “Quyền riêng tư thì dễ. Chúng tôi chỉ làm việc với dữ liệu đã được ẩn danh”.

Khi nói đến sự thiên vị, vấn đề vẫn chưa được giải quyết, nhưng nó không liên quan - ít nhất là đối với kết quả của thử nghiệm, theo Fisher. Một vấn đề được ghi chép rõ ràng với các công cụ học máy là chúng có thể được đào tạo trên các tập dữ liệu thiên vị - ví dụ, các tập dữ liệu đại diện không đầy đủ cho một nhóm cụ thể. Nhưng, Fisher nói, vì các thử nghiệm được thực hiện ngẫu nhiên nên kết quả không nhạy cảm với sự thiên vị trong dữ liệu. Thử nghiệm đo lường cách thuốc đang được thử nghiệm ảnh hưởng đến những người trong thử nghiệm dựa trên sự so sánh với nhóm đối chứng và điều chỉnh mô hình để phù hợp hơn với nhóm đối chứng thực tế. Vì vậy, theo Fisher, ngay cả khi sự lựa chọn đối tượng cho thử nghiệm bị thiên vị và tập dữ liệu gốc bị thiên vị, "Chúng tôi có thể thiết kế các thử nghiệm sao cho chúng không nhạy cảm với sự thiên vị đó".

Neill không thấy điều này thuyết phục. Bạn có thể loại bỏ sai lệch trong một thử nghiệm ngẫu nhiên theo nghĩa hẹp, bằng cách điều chỉnh mô hình của mình để ước tính chính xác hiệu quả điều trị cho quần thể nghiên cứu, nhưng bạn sẽ chỉ đưa lại những sai lệch đó khi bạn cố gắng khái quát hóa vượt ra ngoài nghiên cứu. Unlearn.AI "không so sánh những cá nhân được điều trị với nhóm đối chứng", Neill nói. "Nó so sánh những cá nhân được điều trị với các ước tính dựa trên mô hình về kết quả của cá nhân đó sẽ như thế nào nếu họ nằm trong nhóm đối chứng. Bất kỳ lỗi nào trong các mô hình đó hoặc bất kỳ sự kiện nào mà họ không lường trước được đều có thể dẫn đến sai lệch có hệ thống - tức là ước tính quá cao hoặc quá thấp về hiệu quả điều trị".

Nhưng unlearn.AI đang tiến lên phía trước. AI đã hợp tác với các công ty dược phẩm để thiết kế thử nghiệm cho các bệnh thần kinh, chẳng hạn như Alzheimer, Parkinson và bệnh đa xơ cứng. Có nhiều dữ liệu về các bệnh này hơn nhiều bệnh khác, vì vậy chúng là nơi tốt để bắt đầu. Fisher cho biết cách tiếp cận này cuối cùng có thể được áp dụng cho mọi bệnh, rút ​​ngắn đáng kể thời gian đưa thuốc mới ra thị trường.

Nếu công nghệ này tỏ ra hữu ích, những người anh em vô hình này có thể mang lại lợi ích cho cả bệnh nhân và các nhà nghiên cứu.

TÍN DỤNG ẢNH:

KTSDesign / SCIENCEPHOTOLIBRARY / Getty Images

NGUỒN:

Daniel Neill, Tiến sĩ, phó giáo sư khoa học máy tính và dịch vụ công, Trường sau đại học về dịch vụ công Robert F. Wagner và Khoa khoa học máy tính của Viện Courant, Đại học New York.

Tiến sĩ Eric Topol, người sáng lập và giám đốc Viện nghiên cứu chuyển dịch Scripps.

Charles Fisher, Giám đốc điều hành, Unlearn.AI.

Các thử nghiệm nghiên cứu lâm sàng của NIH và bạn: “Những điều cơ bản”.

MedicalNewsToday: “Các thử nghiệm lâm sàng diễn ra như thế nào và ai có thể tham gia?”

ClinicalTrials.gov: “Tìm hiểu về các nghiên cứu lâm sàng.”

NASA.gov: “Bản sao kỹ thuật số và mô hình sống tại NASA.”

Challenge.org: “Lịch sử và sự ra đời của khái niệm bản sao kỹ thuật số.”

Unlearn.ai: “Công nghệ bản sao số đang làm thay đổi ngành chăm sóc sức khỏe như thế nào.”

Diễn đàn thử nghiệm lâm sàng: “Liệu dự báo tiên lượng do AI tạo ra có thể thay thế bệnh nhân trong các thử nghiệm ung thư không?”