Der Zwilling, von dem Sie nicht wussten, dass Sie ihn haben

Das Medikament, das Sie heute Morgen eingenommen haben, hat einen langen Weg zurückgelegt, um vom Labor zu Ihrer Pillenpackung zu gelangen. Zuerst gibt es umfangreiche Laborforschung. Dann Tierversuche. Doch bevor ein Medikament zur Anwendung zugelassen werden kann, muss es am Menschen getestet werden – in einem teuren, komplexen Prozess, der als klinische Studie bezeichnet wird.

Die Grundlagen

In seiner einfachsten Form läuft eine klinische Studie ungefähr so ​​ab: Forscher rekrutieren Patienten, die die Krankheit haben, auf die das experimentelle Medikament abzielt. Freiwillige werden nach dem Zufallsprinzip in zwei Gruppen eingeteilt. Eine Gruppe bekommt das experimentelle Medikament; die andere, die so genannte Kontrollgruppe, erhält ein Placebo (eine Behandlung, die mit dem getesteten Medikament identisch zu sein scheint, aber keine Wirkung hat). Wenn die Patienten, die das aktive Medikament erhalten, eine stärkere Verbesserung zeigen als diejenigen, die das Placebo erhalten, ist dies ein Beweis dafür, dass das Medikament wirksam ist.

Eine der größten Herausforderungen bei der Gestaltung einer Studie besteht darin, genügend Freiwillige zu finden, die die genauen Kriterien für die Studie erfüllen. Ärzte kennen möglicherweise keine Studien, die für ihre Patienten geeignet sein könnten, und Patienten, die bereit sind, sich anzumelden, verfügen möglicherweise nicht über die für eine bestimmte Studie erforderlichen Eigenschaften. Aber künstliche Intelligenz könnte diesen Job viel einfacher machen.

Treffen Sie Ihren Zwilling

Digitale Zwillinge sind Computermodelle, die reale Objekte oder Systeme simulieren. Sie verhalten sich statistisch gesehen praktisch genauso wie ihre physischen Gegenstücke. Die NASA verwendete einen digitalen Zwilling des Raumfahrzeugs Apollo 13, um Reparaturen durchzuführen, nachdem ein Sauerstofftank explodiert war, sodass Ingenieure auf der Erde aus 200.000 Meilen Entfernung Reparaturen durchführen mussten.

Wenn genügend Daten vorhanden sind, können Wissenschaftler mithilfe von maschinellem Lernen, einer Art künstlicher Intelligenz, bei der die Programme aus großen Datenmengen lernen, anstatt speziell für die jeweilige Aufgabe programmiert zu werden, digitale Zwillinge von Menschen erstellen. Digitale Zwillinge von Patienten in klinischen Studien werden erstellt, indem maschinelle Lernmodelle mit Patientendaten aus früheren klinischen Studien und aus individuellen Patientenakten trainiert werden. Das Modell sagt voraus, wie sich die Gesundheit des Patienten im Laufe der Studie entwickeln würde, wenn er ein Placebo erhalten würde, und bildet im Wesentlichen eine simulierte Kontrollgruppe für einen bestimmten Patienten.

So würde es funktionieren: Eine Person, nennen wir sie Sally, wird der Gruppe zugeteilt, die das aktive Medikament bekommt. Sallys digitaler Zwilling (das Computermodell) befindet sich in der Kontrollgruppe. Es sagt voraus, was passieren würde, wenn Sally die Behandlung nicht erhalten würde. Der Unterschied zwischen Sallys Ansprechen auf das Medikament und der Modellvorhersage von Sallys Ansprechen, wenn sie stattdessen das Placebo nehmen würde, wäre eine Schätzung dafür, wie wirksam die Behandlung für Sally sein würde.

Das Unerwartete

Die Technologie ist zwar vielversprechend, aber noch nicht weit verbreitet – vielleicht aus gutem Grund. Daniel Neill, PhD, ist Experte für maschinelles Lernen, einschließlich seiner Anwendungen im Gesundheitswesen, an der New York University. Er weist darauf hin, dass Modelle für maschinelles Lernen davon abhängen, dass viele Daten vorhanden sind, und dass es schwierig sein kann, qualitativ hochwertige Daten über Einzelpersonen zu erhalten. Informationen über Dinge wie Ernährung und Bewegung werden oft selbst gemeldet, und die Leute sind nicht immer ehrlich. Sie neigen dazu, die Menge an Bewegung, die sie bekommen, zu überschätzen und die Menge an Junk Food, die sie essen, zu unterschätzen, sagt er.

Die Berücksichtigung seltener unerwünschter Ereignisse könnte ebenfalls ein Problem sein, fügt er hinzu. “Höchstwahrscheinlich sind das Dinge, die Sie in Ihrer Kontrollgruppe nicht modelliert haben.” Zum Beispiel könnte jemand eine unerwartete negative Reaktion auf ein Medikament haben.

Aber Neills größte Sorge ist, dass das Vorhersagemodell das widerspiegelt, was er „Business as usual“ nennt. Nehmen wir an, ein größeres unerwartetes Ereignis – so etwas wie die COVID-19-Pandemie zum Beispiel – verändert die Verhaltensmuster aller Menschen und die Menschen werden krank. „Das ist etwas, was diese Steuerungsmodelle nicht berücksichtigen würden“, sagt er. Diese unvorhergesehenen Ereignisse, die in der Kontrollgruppe nicht berücksichtigt wurden, könnten das Ergebnis der Studie verfälschen.

Eric Topol, Gründer und Direktor des Scripps Research Translational Institute und Experte für den Einsatz digitaler Technologien im Gesundheitswesen, findet die Idee großartig, aber noch nicht bereit für die Hauptsendezeit. „Ich glaube nicht, dass sich klinische Studien in naher Zukunft ändern werden, da dies mehrere Ebenen von Daten erfordert, die über Gesundheitsakten hinausgehen, wie z. B. eine Genomsequenz, Darmmikrobiom, Umweltdaten und so weiter.“ Er prognostiziert, dass es Jahre dauern wird, bis groß angelegte Studien mit KI durchgeführt werden können, insbesondere für mehr als eine Krankheit. (Topol ist auch Chefredakteur von Medscape, der Schwesterwebsite von WebMD.)