O medicamento que você tomou esta manhã percorreu um longo caminho para chegar do laboratório à sua embalagem de comprimidos. Em primeiro lugar, há uma extensa pesquisa de laboratório. Depois, os testes em animais. Mas antes que um medicamento possa ser aprovado para uso, ele deve ser testado em humanos - em um processo caro e complexo conhecido como ensaio clínico.
O básico
Em sua forma mais simples, um ensaio clínico é algo parecido com isto: Os pesquisadores recrutam pacientes que têm a doença à qual o medicamento experimental é destinado. Os voluntários são divididos aleatoriamente em dois grupos. Um grupo recebe o medicamento experimental; o outro, chamado grupo controle, recebe um placebo (um tratamento que parece idêntico ao medicamento a ser testado, mas que não tem efeito). Se os pacientes que recebem o medicamento ativo mostram mais melhora do que aqueles que recebem o placebo, isso é uma evidência de que o medicamento é eficaz.
Uma das partes mais desafiadoras da concepção de um ensaio é encontrar voluntários suficientes que satisfaçam os critérios exatos para o estudo. Os médicos podem não conhecer os ensaios que podem se adequar a seus pacientes, e os pacientes que estão dispostos a se inscrever podem não ter as características necessárias para um determinado ensaio. Mas a inteligência artificial pode tornar esse trabalho muito mais fácil.
Conheça seu gêmeo
Os gêmeos digitais são modelos de computador que simulam objetos ou sistemas do mundo real. Eles se comportam virtualmente da mesma forma, estatisticamente, que suas contrapartidas físicas. A NASA usou um gêmeo digital da nave espacial Apollo 13 para ajudar a fazer reparos após a explosão de um tanque de oxigênio, deixando os engenheiros na Terra se embaralhando para fazer reparos a 200.000 milhas de distância.
Com dados suficientes, os cientistas podem fazer gêmeos digitais de pessoas, usando o aprendizado de máquinas, um tipo de inteligência artificial em que os programas aprendem com grandes quantidades de dados em vez de serem especificamente programados para a tarefa em questão. Os gêmeos digitais de pacientes em ensaios clínicos são criados através do treinamento de modelos de aprendizado por máquina sobre dados de pacientes de ensaios clínicos anteriores e de registros individuais de pacientes. O modelo prevê como a saúde do paciente evoluiria durante o curso do ensaio se lhe fosse dado um placebo, essencialmente criando um grupo de controle simulado para um determinado paciente.
Portanto, aqui está como funcionaria: Uma pessoa, vamos chamá-la Sally, é designada para o grupo que recebe a droga ativa. O gêmeo digital de Sally (o modelo de computador) está no grupo de controle. Ele prevê o que aconteceria se Sally não recebesse o tratamento. A diferença entre a resposta de Sally à droga e a previsão do modelo da resposta de Sally se ela tomasse o placebo seria uma estimativa de quão eficaz o tratamento seria para Sally.
Os gêmeos digitais também são criados para os pacientes do grupo de controle. Comparando as previsões do que aconteceria com os gêmeos digitais obtendo o placebo com os humanos que realmente obtiveram o placebo, os pesquisadores podem detectar qualquer problema no modelo e torná-lo mais preciso.
A substituição ou o aumento dos grupos de controle por gêmeos digitais poderia ajudar tanto os pacientes voluntários quanto os pesquisadores. A maioria das pessoas que participam de um ensaio o faz na esperança de obter um novo medicamento que possa ajudá-los quando os medicamentos já aprovados tiverem falhado. Mas há uma chance de 50/50 de eles serem colocados no grupo de controle e não receberem o tratamento experimental. Substituir os grupos de controle por gêmeos digitais pode significar que mais pessoas terão acesso a medicamentos experimentais.
O Inesperado
A tecnologia pode ser promissora, mas ainda não está em uso generalizado - talvez por uma boa razão. Daniel Neill, PhD, é um especialista em aprendizagem de máquinas, incluindo suas aplicações no cuidado da saúde, na Universidade de Nova York. Ele ressalta que os modelos de aprendizagem de máquinas dependem de ter muitos dados, e pode ser difícil obter dados de alta qualidade sobre indivíduos. Informações sobre coisas como dieta e exercícios são muitas vezes relatadas por ele mesmo, e as pessoas nem sempre são honestas. Elas tendem a superestimar a quantidade de exercício que fazem e subestimar a quantidade de comida de plástico que comem, diz ele.
Considerando eventos adversos raros também podem ser um problema, acrescenta ele. "Muito provavelmente, essas são coisas que você não modelou em seu grupo de controle". Por exemplo, alguém pode ter uma reação negativa inesperada a um medicamento.
Mas a maior preocupação de Neill é que o modelo preditivo reflete o que ele chama de "business as usual". Dizer que um grande evento inesperado - algo como a pandemia COVID-19, por exemplo - muda os padrões de comportamento de todos, e as pessoas adoecem. "Isso é algo que estes modelos de controle não levariam em conta", diz ele. Esses eventos imprevistos, não sendo contabilizados no grupo de controle, poderiam distorcer o resultado do julgamento.
Eric Topol, fundador e diretor do Scripps Research Translational Institute e especialista no uso de tecnologias digitais na área da saúde, acha que a idéia é ótima, mas ainda não está pronta para o horário nobre. "Eu não acho que os ensaios clínicos vão mudar a curto prazo, porque isto requer múltiplas camadas de dados além dos registros de saúde, tais como uma seqüência de genomas, microbioma intestinal, dados ambientais, e assim por diante". Ele prevê que levará anos para poder fazer ensaios em larga escala usando IA, particularmente para mais de uma doença. (Topol é também o editor-chefe do Medscape, site da irmã do médico).
Reunir dados de qualidade suficiente é um desafio, diz Charles Fisher, PhD, fundador e CEO da Unlearn.AI, uma start-up pioneira em gêmeos digitais para ensaios clínicos. Mas, diz ele, abordar esse tipo de problema é parte dos objetivos de longo prazo da empresa.
Duas das preocupações mais comumente citadas sobre modelos de aprendizagem de máquinas - privacidade e parcialidade - já são explicadas, diz Fisher. "A privacidade é fácil. Trabalhamos apenas com dados que já foram anonimizados".
Quando se trata de parcialidade, o problema não está resolvido, mas é irrelevante - pelo menos para o resultado do julgamento, de acordo com Fisher. Um problema bem documentado com ferramentas de aprendizagem de máquinas é que elas podem ser treinadas em conjuntos de dados tendenciosos - por exemplo, aqueles que subrepresentam um determinado grupo. Mas, diz Fisher, como os ensaios são randomizados, os resultados são insensíveis a enviesamentos nos dados. O ensaio mede como o medicamento a ser testado afeta as pessoas no ensaio com base em uma comparação com os controles, e ajusta o modelo para corresponder mais de perto aos controles reais. Portanto, de acordo com Fisher, mesmo que a escolha dos sujeitos para o ensaio seja tendenciosa, e o conjunto de dados original seja tendencioso, "somos capazes de projetar ensaios de modo que eles sejam insensíveis a esse viés".
Neill não acha isto convincente. Você pode remover o viés em um ensaio aleatório em um sentido restrito, ajustando seu modelo para estimar corretamente o efeito do tratamento para a população do estudo, mas você apenas reintroduzirá esses viés quando tentar generalizar além do estudo. O Unlearn.AI "não está comparando os indivíduos tratados com os controles", diz Neill. "É comparar indivíduos tratados com estimativas baseadas em modelos do que teria sido o resultado do indivíduo se ele estivesse no grupo de controle". Quaisquer erros nesses modelos ou quaisquer eventos que eles não antecipem podem levar a enviesamentos sistemáticos - ou seja, super ou subestimar o efeito do tratamento".
Mas o desaprender.AI está avançando. Já está trabalhando com empresas farmacêuticas para projetar testes para doenças neurológicas, como Alzheimer, Parkinson e esclerose múltipla. Há mais dados sobre essas doenças do que sobre muitas outras, por isso foram um bom lugar para começar. Fisher diz que a abordagem poderia eventualmente ser aplicada a cada doença, encurtando substancialmente o tempo necessário para trazer novos medicamentos para o mercado.
Se esta tecnologia se mostrar útil, estes irmãos invisíveis poderiam beneficiar tanto os pacientes quanto os pesquisadores.
