• 2024-12-13

Varför ”digitala tvillingar” skulle kunna påskynda upptäckten av läkemedel

Varför ”digitala tvillingar” skulle kunna påskynda upptäckten av läkemedel

AdsilicoAI kan producera många versioner av ett digitalt hjärta. Detta är den första i en serie i sex delar om hur AI förändrar medicinsk forskning och behandlingar. Hjärtat framför mig slår och rör sig som ett mänskligt organ, men det strömmar inget blod genom det, det lever inte heller i en människokropp. Det är ett datorgenererat hjärta, eller digital tvilling, som används för att testa implanterbara kardiovaskulära enheter, som stentar och protesklaffar som en gång bekräftade att de är säkra, kommer så småningom att användas på riktiga människor. Men hjärtats skapare, Adsilico, har gått längre än att bara skapa en exakt modell. Med hjälp av artificiell intelligens och enorma mängder data har de skapat flera olika hjärtan. Dessa AI-genererade syntetiska hjärtan kan göras för att inte bara återspegla biologiska egenskaper som vikt, ålder, kön och blodtryck, utan även hälsotillstånd och etnisk bakgrund. Eftersom dessa skillnader ofta inte är representerade i kliniska data, kan digitala tvillinghjärtan hjälpa enheten tillverkare genomför prövningar i fler olika populationer än de skulle kunna med försök på människor, eller prövningar som bara involverar digitala tvillingar utan AI. ”Detta gör att vi kan fånga hela mångfalden av patientanatomier och fysiologiska svar, vilket inte är möjligt med konventionella metoder. Denna användning av AI för att förbättra enhetstester leder till utvecklingen av enheter som är mer inkluderande och säkrare”, säger Adsilicos vd Sheena Macpherson. Under 2018 visade en undersökning av International Consortium of Investigative Journalists att 83 000 dödsfall och över 1,7 miljoner skadades orsakas av medicinsk utrustning. Macpherson hoppas att AI-drivna digitala tvillingar kan minska dessa siffror. ”För att verkligen göra dessa enheter säkrare måste du testa dem mer noggrant, och det är inte möjligt att göra det i en klinisk prövningsmiljö på grund av kostnaden för det”, säger Macpherson, som är baserad i Northumberland. ”Så du vill kunna använda den datorgenererade versionen, för att se till att vad du än gör har du testat det så noggrant som möjligt innan du testar det på en mänskligt. ”Till och med en bråkdel av dessa dödsfall – och de tillhörande rättegångarna – kunde ha undvikits med mer grundliga tester. Du kan också få mer detaljerade resultat.” Du kan ta detsamma [virtual] hjärta och du kan testa under lågt eller högt blodtryck, eller mot olika sjukdomsprogression, för att se om det påverkar enheten på något sätt.”Ms Macpherson tillägger: ”[Virtual] testning ger tillverkare av medicintekniska produkter många fler insikter. Det betyder också att vi kan testa i andra subpatientgrupper, inte bara vita män som kliniska prövningar traditionellt har baserats på.” Getty ImagesAI kan upptäcka mönster som människor kan missa Adsilicos AI-modeller tränas på en kombination av kardiovaskulär data och data från riktiga MR- och CT-skanningar, som inkluderar medicinsk avbildning från samtyckande patienter. Data hämtas från detaljerade anatomiska strukturer i hjärtat, för att skapa korrekta digitala representationer av hur medicinsk enheter kommer att interagera med olika patientanatomier. Adsilicos försök involverar skapandet av en digital tvilling av enheten som ska testas, som sedan sätts in i det virtuella hjärtat i en AI-genererad simulering. Det hela äger rum inuti en dator, där testet kan replikeras över tusentals andra hjärtan – alla AI-simulerade versioner av ett riktigt mänskligt hjärta. Människo- och djurförsök, å andra sidan, tenderar att involvera bara hundratals deltagare. Det kanske största incitamentet för läkemedels- och enhetstillverkare att komplettera kliniska prövningar med AI digitala tvillingar är hur det minskar tiden det tar, vilket leder till stora kostnadsbesparingar Läkemedelstillverkaren Sanofi, till exempel, hoppas kunna minska testperioden med 20 %, samtidigt som man ökar framgångsfrekvensen. Den använder digital tvillingteknologi i sin specialitet inom immunologi, onkologi och sällsynta sjukdomar. Med hjälp av biologiska data från riktiga människor skapar Sanofi AI-baserade simulerade patienter – inte faktiska kloner av specifika individer – som kan spridas över kontroll- och placebogrupperna inom Sanofis AI-program skapar också datorgenererade modeller av läkemedlet som ska testas, och syntetiserar egenskaper som hur läkemedlet skulle absorberas i kroppen, så det kan testas på AI-patienter. Programmet förutspår också deras reaktioner – replikerar den verkliga testprocessen.SanofiAnvändning av digitala tvillingar kan innebära stora besparingar för läkemedelsföretagen säger Matt Truppo”Med en 90 % misslyckandefrekvens i branschen för nya läkemedel under klinisk utveckling, en ökning med bara 10 % i vår framgångsfrekvens genom att använda teknologier som digitala tvillingar kan det resultera i besparingar på 100 miljoner dollar, givet de höga kostnaderna för att genomföra kliniska prövningar i sen fas”, säger Matt Truppo, Sanofis globala chef för forskningsplattformar och beräkningsforskning och utveckling. Resultaten hittills har varit lovande, tillägger Truppo, som är baserad i Boston, USA. ”Det finns fortfarande mycket att göra. Många av de sjukdomar vi nu försöker påverka är mycket komplexa. Det är här verktyg som AI kommer in. Att driva nästa generations digitala tvillingar med exakta AI-modeller av komplex mänsklig biologi är nästa gräns.” PA ConsultingAI är bara så bra som de datauppsättningar den är utbildad på säger Charlie PatersonDigitala tvillingar kan ha svagheter dock, säger Charlie Paterson, en associerad partner på PA Consulting och en före detta NHS service manager. Han påpekar att tvillingarna bara är lika bra som de uppgifter som de tränas på. ”[Due to] åldrade datainsamlingsmetoder och låg representation av marginaliserade populationer, kan vi hamna i en position där vi fortfarande kan införa några av dessa fördomar när vi programmerar virtuella återskapanden av individer.” Att arbeta med begränsad äldre data för att träna sin AI är ett problem Sanofi är medveten om och arbetar för att lösa. För att fylla luckor i dess interna datamängder – som består av miljontals datapunkter från de tusentals patienter som genomgår dess prövningar varje år – hämtar den data från tredje part, som elektroniska journaler och biobanker. Tillbaka på Adsilico är Ms Macpherson hoppfull om att AI digital tvillingteknologi en dag kommer att eliminera djurförsök från kliniska prövningar, som fortfarande anses vara en viktig del av läkemedels- och enhetstestningsprocessen. ”En virtuell modell av våra hjärtan är fortfarande närmare till ett mänskligt hjärta än det hos en hund, ko, får eller gris, vilket tenderar att vara vad de använder för studier av implanterbara enheter”, säger hon.More Technology of Business