Das Medikament, das Sie heute Morgen eingenommen haben, hat einen langen Weg vom Labor bis zu Ihrer Tablettenpackung hinter sich. Zuerst gibt es eine umfangreiche Laborforschung. Dann folgen Tierversuche. Doch bevor ein Medikament zugelassen werden kann, muss es an Menschen getestet werden - in einem teuren, komplexen Verfahren, das als klinische Prüfung bezeichnet wird.
Die Grundlagen
In ihrer einfachsten Form läuft eine klinische Prüfung in etwa so ab: Forscher rekrutieren Patienten, die an der Krankheit leiden, gegen die das experimentelle Medikament gerichtet ist. Die Probanden werden nach dem Zufallsprinzip in zwei Gruppen aufgeteilt. Die eine Gruppe erhält das Versuchsmedikament, die andere Gruppe, 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 das ein Beweis dafür, dass das Medikament wirksam ist.
Eine der größten Herausforderungen bei der Planung einer Studie besteht darin, genügend Freiwillige zu finden, die die genauen Kriterien für die Studie erfüllen. Ärzte wissen möglicherweise nicht, welche Studien für ihre Patienten in Frage kommen, und Patienten, die bereit sind, an einer Studie teilzunehmen, weisen möglicherweise nicht die für eine bestimmte Studie erforderlichen Merkmale auf. Aber künstliche Intelligenz könnte diese Aufgabe sehr viel einfacher machen.
Treffen Sie Ihren Zwilling
Digitale Zwillinge sind Computermodelle, die Objekte oder Systeme der realen Welt simulieren. Sie verhalten sich statistisch gesehen praktisch genauso wie ihre physischen Gegenstücke. Die NASA nutzte einen digitalen Zwilling des Apollo-13-Raumschiffs, um Reparaturen vorzunehmen, nachdem ein Sauerstofftank explodiert war und die Ingenieure auf der Erde 200.000 Meilen entfernt Reparaturen vornehmen mussten.
Wenn genügend Daten vorhanden sind, können Wissenschaftler mit Hilfe des maschinellen Lernens, einer Form der künstlichen Intelligenz, bei der die Programme aus großen Datenmengen lernen und nicht speziell für die jeweilige Aufgabe programmiert werden, digitale Zwillinge von Menschen erstellen. Digitale Zwillinge von Patienten in klinischen Studien werden erstellt, indem Modelle des maschinellen Lernens auf Patientendaten aus früheren klinischen Studien und aus einzelnen Patientenakten trainiert werden. Das Modell sagt voraus, wie sich der Gesundheitszustand des Patienten im Laufe der Studie entwickeln würde, wenn er ein Placebo bekäme, wodurch im Grunde eine simulierte Kontrollgruppe für einen bestimmten Patienten geschaffen wird.
Es würde also folgendermaßen funktionieren: Eine Person, nennen wir sie Sally, wird der Gruppe zugeteilt, die das aktive Medikament erhält. Sallys digitaler Zwilling (das Computermodell) befindet sich in der Kontrollgruppe. Er sagt voraus, was passieren würde, wenn Sally die Behandlung nicht bekäme. Die Differenz zwischen Sallys Ansprechen auf das Medikament und der Vorhersage des Modells über Sallys Ansprechen, wenn sie stattdessen das Placebo einnehmen würde, wäre eine Schätzung dafür, wie wirksam die Behandlung für Sally sein würde.
Auch für die Patienten der Kontrollgruppe werden digitale Zwillinge erstellt. Durch den Vergleich der Vorhersagen für die digitalen Zwillinge, die das Placebo erhalten, mit den Menschen, die das Placebo tatsächlich erhalten haben, können die Forscher etwaige Probleme im Modell erkennen und es genauer machen.
Das Ersetzen oder Ergänzen von Kontrollgruppen durch digitale Zwillinge könnte sowohl den freiwilligen Patienten als auch den Forschern helfen. Die meisten Menschen, die an einer Studie teilnehmen, hoffen auf ein neues Medikament, das ihnen helfen könnte, wenn bereits zugelassene Medikamente versagt haben. Aber die Chance, dass sie in die Kontrollgruppe eingeteilt werden und die experimentelle Behandlung nicht erhalten, ist 50:50. Das Ersetzen von Kontrollgruppen durch digitale Zwillinge könnte bedeuten, dass mehr Menschen Zugang zu experimentellen Medikamenten erhalten.
Das Unerwartete
Die Technologie mag vielversprechend sein, aber sie wird noch nicht in großem Umfang eingesetzt - 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 die Modelle des maschinellen Lernens auf eine Vielzahl von Daten angewiesen sind, und es kann schwierig sein, qualitativ hochwertige Daten über Einzelpersonen zu erhalten. Informationen über Dinge wie Ernährung und Bewegung werden oft selbst angegeben, und die Menschen sind nicht immer ehrlich. Sie neigen dazu, ihre sportliche Betätigung zu überschätzen und die Menge an Junkfood, die sie essen, zu unterschätzen, sagt er.
Auch die Berücksichtigung seltener unerwünschter Ereignisse könnte ein Problem darstellen, fügt er hinzu. "Höchstwahrscheinlich handelt es sich dabei um Dinge, die Sie in Ihrer Kontrollgruppe nicht berücksichtigt haben. Zum Beispiel könnte jemand eine unerwartete negative Reaktion auf ein Medikament haben.
Die größte Sorge von Neill ist jedoch, dass das Vorhersagemodell das widerspiegelt, was er als "business as usual" bezeichnet. Angenommen, ein unerwartetes Großereignis - wie beispielsweise die COVID-19-Pandemie - verändert die Verhaltensmuster aller, und die Menschen werden krank. "Das ist etwas, was diese Kontrollmodelle nicht berücksichtigen würden", sagt er. Diese unvorhergesehenen Ereignisse, die in der Kontrollgruppe nicht berücksichtigt werden, 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, hält die Idee zwar für großartig, aber noch nicht für ausgereift. "Ich glaube nicht, dass sich die klinischen Studien in naher Zukunft ändern werden, denn dazu sind mehrere Datenschichten erforderlich, die über die Krankenakten hinausgehen, wie z. B. eine Genomsequenz, das Darmmikrobiom, Umweltdaten und so weiter." Er sagt voraus, 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 Schwester-Website von Doctor's.)
Es ist eine Herausforderung, genügend hochwertige Daten zu sammeln, sagt Dr. Charles Fisher, Gründer und CEO von Unlearn.AI, einem Start-up, das digitale Zwillinge für klinische Studien entwickelt. Aber, so sagt er, die Lösung dieser Art von Problemen ist Teil der langfristigen Ziele des Unternehmens.
Zwei der am häufigsten genannten Bedenken gegenüber maschinellen Lernmodellen - Datenschutz und Verzerrung - sind bereits berücksichtigt, sagt Fisher. "Datenschutz ist einfach. Wir arbeiten nur mit Daten, die bereits anonymisiert wurden.
Was die Voreingenommenheit betrifft, so ist das Problem nicht gelöst, aber es ist irrelevant - zumindest für das Ergebnis der Studie, so Fisher. Ein gut dokumentiertes Problem mit maschinellen Lernwerkzeugen besteht darin, dass sie auf voreingenommene Datensätze trainiert werden können - zum Beispiel solche, die eine bestimmte Gruppe unterrepräsentieren. Da die Studien jedoch randomisiert sind, sind die Ergebnisse unempfindlich gegenüber Verzerrungen in den Daten, so Fisher. In der Studie wird gemessen, wie sich das getestete Medikament auf die Studienteilnehmer auswirkt, und zwar auf der Grundlage eines Vergleichs mit den Kontrollpersonen, und das Modell wird so angepasst, dass es den tatsächlichen Kontrollpersonen besser entspricht. Selbst wenn die Auswahl der Probanden für die Studie verzerrt ist und der ursprüngliche Datensatz verzerrt ist, so Fisher, "können wir die Studien so gestalten, dass sie für diese Verzerrung unempfindlich sind".
Neill findet das nicht überzeugend. Man kann Verzerrungen in einer randomisierten Studie im engeren Sinne beseitigen, indem man sein Modell so anpasst, dass der Behandlungseffekt für die Studienpopulation korrekt geschätzt wird, aber man führt diese Verzerrungen einfach wieder ein, wenn man versucht, über die Studie hinaus zu verallgemeinern. Unlearn.AI "vergleicht keine behandelten Personen mit Kontrollen", sagt Neill. "Es vergleicht behandelte Personen mit modellbasierten Schätzungen, wie das Ergebnis der Person ausgesehen hätte, wenn sie in der Kontrollgruppe gewesen wäre. Jegliche Fehler in diesen Modellen oder Ereignisse, die sie nicht vorhersehen, können zu systematischen Verzerrungen führen - also zu einer Über- oder Unterschätzung des Behandlungseffekts."
Aber unlearn.AI geht voran. Es arbeitet bereits mit Arzneimittelherstellern zusammen, um Studien für neurologische Krankheiten wie Alzheimer, Parkinson und Multiple Sklerose zu entwickeln. Zu diesen Krankheiten gibt es mehr Daten als zu vielen anderen, so dass sie ein guter Ausgangspunkt sind. Laut Fisher könnte der Ansatz schließlich auf alle Krankheiten angewandt werden, wodurch sich die Zeit bis zur Markteinführung neuer Medikamente erheblich verkürzen würde.
Wenn sich diese Technologie als nützlich erweist, könnten diese unsichtbaren Geschwister Patienten und Forschern gleichermaßen zugute kommen.
