为什么“数字孪生”可以加速药物发现Why 'digital twins' could speed up drug discovery

环球医讯 / AI与医疗健康来源:www.aol.com英国 - 英语2024-12-13 09:00:00 - 阅读时长5分钟 - 2100字
本文介绍了如何利用人工智能生成的“数字孪生”心脏来测试心血管设备和药物,从而提高医疗设备的安全性和包容性,并减少临床试验的时间和成本。
数字孪生AI药物发现医疗设备临床试验心血管设备患者多样性成本节省数据质量动物测试
为什么“数字孪生”可以加速药物发现

AI 可以生成多个版本的数字心脏 [Adsilico]

这是关于 AI 如何改变医学研究和治疗的六部分系列报道的第一篇。

我面前的心脏像人类器官一样跳动和移动,但没有血液流过它,也没有生活在人体内。

这是一个计算机生成的心脏,或数字孪生,用于测试可植入的心血管设备,如支架和人造瓣膜。这些设备一旦确认安全,最终将用于真人身上。

但心脏的创造者 Adsilico 并不仅仅满足于创建一个精确的模型。

通过人工智能和大量数据,他们创建了多个不同的心脏。

这些由 AI 生成的合成心脏可以反映不仅仅是生物属性,如体重、年龄、性别和血压,还可以反映健康状况和种族背景。

由于这些差异通常不在临床数据中得到体现,因此数字孪生心脏可以帮助设备制造商进行比仅使用人类试验或不使用 AI 的数字孪生进行更广泛的人群试验。

“这使我们能够捕捉到患者解剖结构和生理反应的全部多样性,而这是传统方法无法实现的。这种使用 AI 增强设备测试的方法可以开发出更具包容性和更安全的设备,”Adsilico 首席执行官 Sheena Macpherson 说。

2018 年,国际调查记者联盟的一项调查显示,有 83,000 人死亡和超过 170 万人受伤是由医疗设备引起的。

Macpherson 希望 AI 驱动的数字孪生可以减少这些数字。

“要真正使这些设备更安全,你需要更彻底地测试它们,但在临床试验环境中这样做是不可行的,因为费用太高,”位于诺森伯兰郡的 Macpherson 说。

“因此,你希望使用计算机生成的版本,以确保你在人类身上测试之前尽可能彻底地进行了测试。

“即使是这些死亡人数的一小部分——以及相关的诉讼——也可以通过更彻底的测试来避免。你还可以获得更详细的结果。

“你可以用同一个[虚拟]心脏,在低血压或高血压下进行测试,或针对不同的疾病进展,看看这是否会影响设备。”

Macpherson 还补充道:“[虚拟]测试为医疗设备制造商提供了更多的见解。这也意味着我们可以在其他亚组患者中进行测试,而不仅仅是传统的临床试验中基于白人男性的群体。”

AI 可以发现人类可能忽略的模式 [Getty Images]

Adsilico 的 AI 模型是基于心血管数据和来自真实 MRI 和 CT 扫描的数据训练的,这些数据包括同意患者的医学影像。

数据来源包括心脏的详细解剖结构,以帮助创建医疗设备如何与不同患者解剖结构相互作用的准确数字表示。

Adsilico 的试验涉及创建要测试的设备的数字孪生,然后将其插入虚拟心脏中进行 AI 生成的模拟。

这一切都在计算机中进行,测试可以在数千个其他心脏上复制——所有这些心脏都是 AI 模拟的真实人类心脏的版本。相比之下,人类和动物试验往往只涉及几百名参与者。

  • 关于 AI 和医学的更多信息

或许,对于药物和设备制造商来说,补充临床试验的最大激励在于它可以减少所需的时间,从而节省大量成本。

例如,药物制造商赛诺菲(Sanofi)希望将测试周期缩短 20%,同时提高成功率。该公司正在其免疫学、肿瘤学和罕见病专业领域使用数字孪生技术。

使用真实人的生物数据,赛诺菲创建了基于 AI 的模拟患者——不是特定个体的实际克隆——这些患者可以分布在试验的对照组和安慰剂组中。

赛诺菲的 AI 程序还创建了要测试的药物的计算机生成模型,综合了药物在体内吸收的特性,以便在 AI 患者上进行测试。该程序还会预测他们的反应——模拟真实的试验过程。

使用数字孪生可能会为制药公司带来巨大的节省,赛诺菲全球研究平台和计算研究与开发负责人 Matt Truppo 说。

“鉴于晚期临床试验的高成本,行业中新药在临床开发中的失败率为 90%,通过使用数字孪生等技术将我们的成功率提高 10%,可能会节省 1 亿美元。”Truppo 补充道,到目前为止,结果令人鼓舞。

“还有很多工作要做。我们现在试图影响的许多疾病非常复杂。这就是 AI 工具发挥作用的地方。用准确的 AI 模型驱动下一代数字孪生,模拟复杂的生物学,是下一个前沿。”

AI 的表现取决于其训练的数据集,PA Consulting 的合伙人 Charlie Paterson 说。

数字孪生可能有弱点,PA Consulting 的合伙人 Charlie Paterson 说。他指出,孪生的质量仅取决于其训练数据的质量。

“由于数据收集方法过时,以及边缘化人群的低代表性,我们可能会陷入在编程虚拟个体时引入一些偏见的情况。”

赛诺菲意识到并正在解决这一问题,即使用有限的历史数据训练其 AI。

为了填补其内部数据集中的空白——这些数据集由每年参与其试验的数千名患者提供的数百万个数据点组成——它从第三方获取数据,如电子健康记录和生物库。

回到 Adsilico,Macpherson 希望有一天 AI 数字孪生技术能够消除临床试验中的动物测试,目前这仍然是药物和设备测试过程中的必要部分。

“我们心脏的虚拟模型仍然比狗、牛、羊或猪的心脏更接近人类心脏,而这些动物通常是用于可植入设备研究的动物,”她说。


(全文结束)

大健康
大健康