De tweeling waarvan je niet wist dat je ze had

Het medicijn dat je vanmorgen nam, heeft een lange weg afgelegd om van het lab bij je pillendoosje te komen. Ten eerste is er uitgebreid laboratoriumonderzoek. Dan dierproeven. Maar voordat een geneesmiddel voor gebruik kan worden goedgekeurd, moet het op mensen worden getest ā€“ in een duur, complex proces dat bekend staat als een klinische proef.

De basis

In zijn eenvoudigste vorm gaat een klinische proef ongeveer als volgt: onderzoekers rekruteren patiƫnten die de ziekte hebben waarop het experimentele medicijn is gericht. Vrijwilligers worden willekeurig in twee groepen verdeeld. De ene groep krijgt het experimentele medicijn; de andere, de controlegroep, krijgt een placebo (een behandeling die identiek lijkt aan het geteste medicijn, maar geen effect heeft). Als de patiƫnten die het actieve medicijn krijgen meer verbetering laten zien dan degenen die de placebo krijgen, is dat een bewijs dat het medicijn effectief is.

Een van de meest uitdagende onderdelen van het opzetten van een studie is het vinden van voldoende vrijwilligers die voldoen aan de exacte criteria voor de studie. Artsen zijn mogelijk niet op de hoogte van onderzoeken die geschikt zijn voor hun patiƫnten, en patiƫnten die bereid zijn zich in te schrijven, hebben mogelijk niet de kenmerken die nodig zijn voor een bepaald onderzoek. Maar kunstmatige intelligentie zou dat werk een stuk gemakkelijker kunnen maken.

Ontmoet je tweeling

Digitale tweelingen zijn computermodellen die objecten of systemen uit de echte wereld simuleren. Ze gedragen zich statistisch vrijwel op dezelfde manier als hun fysieke tegenhangers. NASA gebruikte een digitale tweeling van het Apollo 13-ruimtevaartuig om reparaties uit te voeren nadat een zuurstoftank was ontploft, waardoor ingenieurs op aarde klauterden om reparaties uit te voeren vanaf 200.000 mijl afstand.

Met voldoende gegevens kunnen wetenschappers een digitale tweeling van mensen maken, met behulp van machine learning, een soort kunstmatige intelligentie waarbij de programma’s leren van grote hoeveelheden gegevens in plaats van specifiek te worden geprogrammeerd voor de taak die voorhanden is. Digitale tweelingen van patiĆ«nten in klinische onderzoeken worden gecreĆ«erd door machine learning-modellen te trainen op patiĆ«ntgegevens uit eerdere klinische onderzoeken en uit individuele patiĆ«ntendossiers. Het model voorspelt hoe de gezondheid van de patiĆ«nt zou evolueren in de loop van het onderzoek als ze een placebo zouden krijgen, waardoor in wezen een gesimuleerde controlegroep voor een bepaalde patiĆ«nt zou worden gecreĆ«erd.

Dus hier is hoe het zou werken: een persoon, laten we haar Sally noemen, wordt toegewezen aan de groep die het actieve medicijn krijgt. Sally’s digitale tweeling (het computermodel) zit in de controlegroep. Het voorspelt wat er zou gebeuren als Sally de behandeling niet zou krijgen. Het verschil tussen Sally’s reactie op het medicijn en de voorspelling van Sally’s reactie door het model als ze in plaats daarvan de placebo zou nemen, zou een schatting zijn van hoe effectief de behandeling voor Sally zou zijn.

Ook voor patiƫnten in de controlegroep worden digitale tweelingen gemaakt. Door de voorspellingen van wat er zou gebeuren met digitale tweelingen die de placebo zouden krijgen te vergelijken met de mensen die de placebo daadwerkelijk kregen, kunnen onderzoekers eventuele problemen in het model opsporen en het nauwkeuriger maken.

Het vervangen of uitbreiden van controlegroepen door digitale tweelingen kan zowel patiƫntvrijwilligers als onderzoekers helpen. De meeste mensen die deelnemen aan een proef doen dat in de hoop een nieuw medicijn te krijgen dat hen zou kunnen helpen wanneer reeds goedgekeurde medicijnen hebben gefaald. Maar er is een 50/50 kans dat ze in de controlegroep worden geplaatst en de experimentele behandeling niet krijgen. Het vervangen van controlegroepen door digitale tweelingen zou kunnen betekenen dat meer mensen toegang hebben tot experimentele medicijnen.

Het onverwachte

De technologie is misschien veelbelovend, maar wordt nog niet wijdverbreid gebruikt – misschien met een goede reden. Daniel Neill, PhD, is een expert in machine learning, inclusief de toepassingen ervan in de gezondheidszorg, aan de New York University. Hij wijst erop dat modellen voor machinaal leren afhankelijk zijn van het hebben van veel gegevens en dat het moeilijk kan zijn om gegevens van hoge kwaliteit over individuen te krijgen. Informatie over zaken als voeding en lichaamsbeweging wordt vaak zelf gerapporteerd en mensen zijn niet altijd eerlijk. Ze hebben de neiging om de hoeveelheid beweging die ze krijgen te overschatten en de hoeveelheid junkfood die ze eten te onderschatten, zegt hij.

Het overwegen van zeldzame bijwerkingen kan ook een probleem zijn, voegt hij eraan toe. “Hoogstwaarschijnlijk zijn dat dingen waar je niet voor hebt gemodelleerd in je controlegroep.” Iemand kan bijvoorbeeld onverwacht negatief reageren op een medicijn.

Maar Neills grootste zorg is dat het voorspellende model weerspiegelt wat hij ‘business as usual’ noemt. Stel dat een grote onverwachte gebeurtenis ā€“ bijvoorbeeld de COVID-19-pandemie ā€“ de gedragspatronen van iedereen verandert en dat mensen ziek worden. ā€œDat is iets waar deze controlemodellen geen rekening mee zouden houdenā€, zegt hij. Die onverwachte gebeurtenissen, waar geen rekening mee werd gehouden in de controlegroep, zouden de uitkomst van het onderzoek kunnen vertekenen.

Eric Topol, oprichter en directeur van het Scripps Research Translational Institute en expert op het gebied van het gebruik van digitale technologieĆ«n in de gezondheidszorg, vindt het een geweldig idee, maar nog niet klaar voor prime time. “Ik denk niet dat klinische proeven op korte termijn zullen veranderen, omdat dit meerdere gegevenslagen vereist die verder gaan dan gezondheidsdossiers, zoals een genoomsequentie, darmmicrobioom, milieugegevens, enzovoort.” Hij voorspelt dat het jaren zal duren om grootschalige proeven met AI te kunnen doen, met name voor meer dan Ć©Ć©n ziekte. (Topol is ook de hoofdredacteur van Medscape, de zusterwebsite van WebMD.)

Het verzamelen van voldoende kwaliteitsgegevens is een uitdaging, zegt Charles Fisher, PhD, oprichter en CEO van Unlearn.AI, een start-up die pionierswerk verricht op het gebied van digitale tweelingen voor klinische proeven. Maar, zegt hij, het aanpakken van dat soort problemen maakt deel uit van de langetermijndoelen van het bedrijf.

Twee van de meest genoemde zorgen over modellen voor machinaal leren – privacy en vooringenomenheid – zijn al verwerkt, zegt Fisher. ā€œPrivacy is eenvoudig. We werken alleen met gegevens die al geanonimiseerd zijn.ā€

Als het gaat om vooringenomenheid, is het probleem niet opgelost, maar het is niet relevant – althans voor de uitkomst van het proces, volgens Fisher. Een goed gedocumenteerd probleem met machine learning-tools is dat ze kunnen worden getraind op vooringenomen datasets, bijvoorbeeld datasets die een bepaalde groep ondervertegenwoordigen. Maar, zegt Fisher, omdat de onderzoeken gerandomiseerd zijn, zijn de resultaten ongevoelig voor vertekening in de gegevens. De proef meet hoe het medicijn dat wordt getest de mensen in de proef beĆÆnvloedt op basis van een vergelijking met de controles, en past het model aan zodat het beter overeenkomt met de echte controles. Dus, volgens Fisher, zelfs als de keuze van de proefpersonen voor het onderzoek bevooroordeeld is en de originele gegevensset is bevooroordeeld: “We zijn in staat om proeven zo te ontwerpen dat ze ongevoelig zijn voor die vooringenomenheid.”

Neill vindt dit niet overtuigend. Je kunt bias in een gerandomiseerde studie in enge zin verwijderen door je model aan te passen om het behandeleffect voor de onderzoekspopulatie correct in te schatten, maar je zult die bias gewoon opnieuw introduceren wanneer je probeert te generaliseren buiten het onderzoek. Unlearn.AI “vergelijkt behandelde individuen niet met controles”, zegt Neill. “Het vergelijkt behandelde individuen met op modellen gebaseerde schattingen van wat de uitkomst van het individu zou zijn geweest als ze in de controlegroep hadden gezeten. Alle fouten in die modellen of gebeurtenissen die ze niet kunnen anticiperen, kunnen leiden tot systematische vooroordelen – dat wil zeggen, over- of onderschattingen van het behandeleffect.”

Maar unlearn.AI gaat vooruit. Het werkt al samen met farmaceutische bedrijven om proeven te ontwerpen voor neurologische ziekten, zoals de ziekte van Alzheimer, Parkinson en multiple sclerose. Er zijn meer gegevens over deze ziekten dan over vele andere, dus ze waren een goed beginpunt. Fisher zegt dat de aanpak uiteindelijk op elke ziekte kan worden toegepast, waardoor de tijd die nodig is om nieuwe medicijnen op de markt te brengen aanzienlijk wordt verkort.

Als deze technologie nuttig blijkt, kunnen deze onzichtbare broers en zussen zowel patiƫnten als onderzoekers ten goede komen.

Dit bericht is gepost in News. Bookmark de link.