Sahip Olduğunu Bilmediğin İkiz


Bu sabah aldığınız ilaç, laboratuvardan hap paketinize ulaşmak için uzun bir yol kat etti. İlk olarak, kapsamlı bir laboratuvar araştırması var. Ardından hayvan deneyleri. Ancak bir ilacın kullanım için onaylanmasından önce, klinik deneme olarak bilinen pahalı ve karmaşık bir süreçte insanlar üzerinde test edilmesi gerekir.

Temeller

En basit haliyle, bir klinik deneme şuna benzer: Araştırmacılar, deneysel ilacın hedeflediği hastalığa sahip hastaları işe alır. Gönüllüler rastgele iki gruba ayrılır. Bir grup deneysel ilacı alır; kontrol grubu olarak adlandırılan diğeri ise plasebo (test edilen ilaçla aynı görünen ancak hiçbir etkisi olmayan bir tedavi) alır. Aktif ilacı alan hastalar plasebo alanlara göre daha fazla gelişme gösteriyorsa, bu ilacın etkili olduğunun kanıtıdır.

Bir araştırma tasarlamanın en zorlu kısımlarından biri, çalışma için kesin kriterleri karşılayan yeterli sayıda gönüllü bulmaktır. Doktorlar hastalarına uygun deneyler hakkında bilgi sahibi olmayabilir ve kaydolmak isteyen hastalar belirli bir deney için gerekli özelliklere sahip olmayabilir. Ancak yapay zeka bu işi çok daha kolaylaştırabilir.

İkizinizle Tanışın

Dijital ikizler, gerçek dünyadaki nesneleri veya sistemleri simüle eden bilgisayar modelleridir. İstatistiksel olarak fiziksel meslektaşlarıyla neredeyse aynı şekilde davranırlar. NASA, bir oksijen deposu patladıktan sonra onarımlara yardımcı olmak için Apollo 13 uzay aracının dijital bir ikizini kullandı ve Dünya’daki mühendisleri 200.000 mil öteden onarım yapmak için çabaladı.

Yeterli veri verildiğinde, bilim adamları, programların özellikle eldeki görev için programlanmak yerine büyük miktarda veriden öğrendiği bir tür yapay zeka olan makine öğrenimini kullanarak insanların dijital ikizlerini yapabilirler. Klinik deneylerdeki hastaların dijital ikizleri, önceki klinik deneylerden ve bireysel hasta kayıtlarından alınan hasta verileri üzerinde makine öğrenimi modellerinin eğitilmesiyle oluşturulur. Model, bir plasebo verilirse, deneme süresince hastanın sağlığının nasıl ilerleyeceğini tahmin eder ve esasen belirli bir hasta için simüle edilmiş bir kontrol grubu oluşturur.

İşte nasıl çalışacak: Bir kişi, ona Sally diyelim, aktif ilacı alan gruba atanır. Sally’nin dijital ikizi (bilgisayar modeli) kontrol grubundadır. Sally’nin tedavi görmemesi durumunda ne olacağını tahmin ediyor. Sally’nin ilaca verdiği yanıt ile modelin, Sally’nin plasebo alması halinde vereceği yanıta ilişkin tahmini arasındaki fark, tedavinin Sally için ne kadar etkili olacağına dair bir tahmin olacaktır.

Kontrol grubundaki hastalar için de dijital ikizler oluşturulur. Araştırmacılar, plasebo alan dijital ikizlere ne olacağına dair tahminleri, aslında plasebo alan insanlarla karşılaştırarak, modeldeki herhangi bir sorunu tespit edebilir ve daha doğru hale getirebilir.

Kontrol gruplarını dijital ikizlerle değiştirmek veya artırmak, araştırmacıların yanı sıra hasta gönüllülerine de yardımcı olabilir. Bir denemeye katılan çoğu kişi, halihazırda onaylanmış ilaçlar başarısız olduğunda kendilerine yardımcı olabilecek yeni bir ilaç almayı ummaktadır. Ama kontrol grubuna alınmaları ve deneysel tedaviyi alamama ihtimalleri %50/50. Kontrol gruplarını dijital ikizlerle değiştirmek, daha fazla insanın deneysel ilaçlara erişimi olduğu anlamına gelebilir.

Beklenmeyen

Teknoloji umut verici olabilir, ancak henüz yaygın olarak kullanılmamaktadır – belki de iyi bir nedeni vardır. Daniel Neill, PhD, New York Üniversitesi’nde sağlık hizmetlerindeki uygulamaları da dahil olmak üzere makine öğrenimi konusunda uzmandır. Makine öğrenimi modellerinin çok fazla veriye sahip olmaya bağlı olduğuna ve bireyler hakkında yüksek kaliteli veriler elde etmenin zor olabileceğine dikkat çekiyor. Diyet ve egzersiz gibi şeyler hakkında bilgi genellikle kendi kendine bildirilir ve insanlar her zaman dürüst değildir. Aldıkları egzersiz miktarını abartma ve yedikleri abur cubur miktarını hafife alma eğiliminde olduklarını söylüyor.

Nadir görülen olumsuz olayların da bir sorun olabileceğini düşünüyor. “Büyük olasılıkla, bunlar kontrol grubunuzda modellemediğiniz şeylerdir.” Örneğin, birisi bir ilaca beklenmedik bir olumsuz tepki verebilir.

Ancak Neill’in en büyük endişesi, tahmine dayalı modelin “her zamanki gibi iş” dediği şeyi yansıtması. Diyelim ki büyük bir beklenmedik olay – örneğin COVID-19 salgını gibi – herkesin davranış kalıplarını değiştiriyor ve insanlar hastalanıyor. “Bu, bu kontrol modellerinin hesaba katmayacağı bir şey” diyor. Kontrol grubunda hesaba katılmayan bu beklenmedik olaylar, denemenin sonucunu çarpıtabilir.

Scripps Research Translational Institute’un kurucusu ve yöneticisi ve sağlık hizmetlerinde dijital teknolojilerin kullanımı konusunda uzman olan Eric Topol, fikrin harika olduğunu düşünüyor., ama henüz prime time için hazır değil. “Klinik denemelerin yakın vadede değişeceğini düşünmüyorum, çünkü bu, genom dizisi, bağırsak mikrobiyomu, çevresel veriler ve bunun gibi sağlık kayıtlarının ötesinde çok sayıda veri katmanı gerektiriyor.” Özellikle birden fazla hastalık için AI kullanarak büyük ölçekli denemeler yapabilmenin yıllar alacağını tahmin ediyor. (Topol ayrıca WebMD’nin kardeş web sitesi Medscape’in genel yayın yönetmenidir.)

Klinik deneyler için dijital ikizlere öncülük eden Unlearn.AI’nin kurucusu ve CEO’su Charles Fisher, yeterli kalitede veri toplamanın zor olduğunu söylüyor. Ancak, bu tür bir sorunu ele almanın şirketin uzun vadeli hedeflerinin bir parçası olduğunu söylüyor.

Fisher, makine öğrenimi modelleriyle ilgili en sık dile getirilen endişelerden ikisinin – mahremiyet ve önyargı – zaten açıklandığını söylüyor. “Gizlilik kolaydır. Yalnızca zaten anonimleştirilmiş verilerle çalışıyoruz.”

Önyargı söz konusu olduğunda, sorun çözülmez, ancak Fisher’e göre en azından denemenin sonucuyla alakasız. Makine öğrenimi araçlarıyla ilgili iyi belgelenmiş bir sorun, bunların, örneğin belirli bir grubu yeterince temsil etmeyenler gibi, önyargılı veri kümeleri üzerinde eğitilebilmeleridir. Ancak Fisher, denemeler rastgele yapıldığı için sonuçların verilerdeki yanlılığa karşı duyarsız olduğunu söylüyor. Deneme, test edilen ilacın denemedeki insanları nasıl etkilediğini kontrollerle karşılaştırmaya dayalı olarak ölçer ve modeli gerçek kontrollerle daha yakından eşleşecek şekilde ayarlar. Dolayısıyla, Fisher’e göre, deneme için deneklerin seçimi yanlı olsa bile ve orijinal verilerset önyargılıdır, “Denemeleri bu önyargıya karşı duyarsız olacak şekilde tasarlayabiliyoruz.”

Neill bunu inandırıcı bulmuyor. Modelinizi çalışma popülasyonu için tedavi etkisini doğru bir şekilde tahmin edecek şekilde ayarlayarak, randomize bir denemede yanlılığı dar anlamda ortadan kaldırabilirsiniz, ancak çalışmanın ötesine genellemeye çalıştığınızda bu önyargıları yeniden ortaya çıkaracaksınız. Unlearn.AI, “tedavi edilen bireyleri kontrollerle karşılaştırmıyor” diyor Neill. “Tedavi edilen bireyleri modele dayalı tahminler Kontrol grubunda olsaydı bireyin sonucunun ne olacağı hakkında. Bu modellerdeki herhangi bir hata veya öngöremedikleri herhangi bir olay, sistematik önyargılara, yani tedavi etkisinin aşırı veya eksik tahmin edilmesine yol açabilir.”

Ama unlearn.AI ilerliyor. Alzheimer, Parkinson ve multipl skleroz gibi nörolojik hastalıklar için denemeler tasarlamak için ilaç şirketleriyle birlikte çalışıyor. Bu hastalıklar hakkında diğerlerinden daha fazla veri var, bu yüzden başlamak için iyi bir yerdi. Fisher, yaklaşımın nihayetinde her hastalığa uygulanabileceğini ve yeni ilaçların pazara sunulması için gereken süreyi önemli ölçüde kısaltabileceğini söylüyor.

Bu teknolojinin yararlı olduğu kanıtlanırsa, bu görünmez kardeşler hem hastalara hem de araştırmacılara fayda sağlayabilir.

Yorum yapın