Опыты на «людях» Как устроены цифровые двойники человека для проведения клинических испытаний
Грань между просто экстравагантным и категорически неприемлемым в медицинской науке очень тонка. Получить достоверные данные о работе человеческого тела без исследования людей, живых или мертвых, невозможно. Но и оправдать любые манипуляции пользой для науки тоже нельзя. Даже «золотой стандарт» доказательной медицины, рандомизированные клинические испытания, этически неоднозначен: ведь в конечном счете он сводится к проведению экспериментов на людях, которые даже не знают, получают они лечение или нет. В 2019 году американский стартап Unlearn.AI заявил об успешном создании цифровых двойников человека для проведения клинических испытаний. В случае успеха технология обещала развязать руки экспериментаторам от медицины, сняв с них любые этические ограничения. По прошествии пяти лет можно оценить первые успехи разработчиков.
Цифровые близнецы
Технология цифровых двойников пришла в медицину из сферы инженерии. Чтобы эффективно управлять сложными объектами, создаются виртуальные модели устройств, процессов и целых систем. Однако не любая модель будет цифровым двойником: у них есть ряд особых свойств.
В первую очередь, цифровой двойник представляет ровно один объект из реального мира, а не целый класс. Например, если мы хотим создать цифровой двойник завода, в нем будет воссоздана не только общая структура производственной цепочки, но и конкретные данные: длина ленты конвейера, мощность двигателя, расположение объектов, мощность проводки и любые другие аспекты, которые будут влиять на работу всей системы.
Второе и самое фундаментальное отличие: цифровой двойник получает постоянный поток данных от реального объекта и обновляет состояние. Так, для нашего завода мы будем передавать данные о нагреве двигателей, скорости движения ленты, весе и количестве деталей, поступающих на ленту, аварийных остановках и так далее.
Такая модель позволяет, например, следить за износом деталей — не по среднему сроку эксплуатации, а по фактическому расчету нагрузки на каждый элемент в конкретных условиях эксплуатации. Если реальные поломки расходятся с предсказаниями модели, это помогает выявить более серьезные проблемы: например, поставку низкокачественных деталей или нарушение правил эксплуатации конкретных узлов.
Еще одно применение такой модели — возможность спрогнозировать последствия гипотетических событий: например, что будет, если завод начнет работать в две смены, или если количество заказов увеличится на 50 %.
Применение цифровых двойников в промышленности приносит хорошо измеряемый в деньгах результат. Так, по оценке General Electric, виртуальные дублеры электросетей помогают на 30 % снизить стоимость их обслуживания. Компьютерные модели нефтяных скважин уменьшают капитальные расходы на 20 %. Цифровые двойники появляются у систем водоснабжения, больниц и даже целых городов. Создание виртуальной копии человеческого тела открыло бы большие возможности: от ежесекундного мониторинга состояния жизненно важных органов до персонального прогноза, через сколько процедур ботокс и подтяжки превратят лицо в маску.
In vivo, in vitro, in silico
Но человек не завод. Количество процессов, происходящих в живом организме, на порядки больше, чем на самом сложном промышленном предприятии, и многие из них взаимно влияют друг на друга. Пока что разработчики берутся лишь за отдельные органы или аспекты человеческого здоровья. Но даже этого достаточно, чтобы открыть новую главу в медицинских исследованиях: к in vivo («в живом организме») и in vitro («в пробирке») добавляется in silico — «в кремнии».
Множество компаний, от гигантов Philips и Siemens до молодых стартапов вроде FEops, заняты созданием виртуальных дублеров сердца. Dassault Systèmes, одна из компаний-лидеров в разработке цифровых двойников, уже реализовала такой проект. Так, врачи Детского госпиталя Бостона используют инновационный софт для планирования операций с учетом индивидуальной морфологии сердца пациента.
Французский разработчик ANSYS создает многофакторную модель сердца «по-айтишному» — в виде открытой библиотеки для языка программирования Python. Система уже обсчитывает кровоток, механику работы тканей и электрические импульсы. Библиотека позволяет моделировать сложные, трудноизмеримые процессы, оценивать структурные напряжения, электрическое возбуждение и ориентацию мышечных волокон, не прибегая к экспериментам in vivo.
В 2021 году специалисты Лидского университета провели клиническое испытание по лечению аневризмы головного мозга полностью на виртуальных пациентах — это событие считается вехой в развитии исследований in silico. Ученые отобрали 82 человека, построили цифровую модель сердца для каждого из них и рассчитали влияние стента* на кровоток. Результаты исследования совпали с итогами прошлых испытаний, проведенных in vivo.
Появление актуальной и подробной 3D-модели сердца обещает прорыв в развитии роботизированной хирургии. Пока что процессом полностью управляет человек: хирург смотрит трансляцию со стереокамеры, а робот воспроизводит движения его рук. Цифровые двойники позволят роботу-хирургу не повторять работу человека-хирурга, а строить процедуру на иных принципах: учитывать пространственное расположение органов, их структуру и внутренние особенности, которые физически невозможно увидеть человеческим глазом. При этом задачей хирурга станет не тактическая работа в операционной, а выбор стратегии и методов. Саму операцию робот сможет провести при удаленном контроле врача, а то и вовсе по заранее подготовленным инструкциям.
* Стент — цилиндрический каркас из металла или пластика, который помещается в просвет полых органов и обеспечивает расширение участка, суженного патологическим процессом.
Цельная личность
Человек отличается от завода не только «числом деталей». Когда речь идет об инженерном объекте, сначала составляется проект, где все элементы конструкции имеют чертежи, технические характеристики и регламентированные режимы работы. К людям чертежи не прилагаются: все, что мы знаем о работе тела, — результат наблюдений, а не предварительного проектирования.
Задача моделирования человеческого тела целиком была бы непреодолимо сложной — если бы не искусственный интеллект. Методы машинного обучения позволяют работать с «черным ящиком» человеческого тела, позволяя компьютеру самостоятельно вывести закономерности на понятном ему языке. Если при построении модели сердца и кровеносных сосудов во главу угла ставят законы физики, то при построении ИИ-модели всего человека в основу ложится распознавание паттернов. Это тот же подход, который используется в прогнозе погоды: температура воздуха, сила ветра, облачность и влажность — измеримые в численном выражении параметры. Каждый из них имеет свою траекторию изменения, но при этом они влияют друг на друга. Если правильно подобрать архитектуру модели, она сможет на основе исторических данных и последних измерений предсказать значения этих показателей в будущем.
Человек оказался сложнее не только завода, но и погоды. Чтобы обуздать эту сложность, разработчики Unlearn.AI использовали архитектуру нейросети под названием «нейронная машина Больцмана» (NBM). Эта модель состоит из множества отдельных нейросетей, объединенных в общую вероятностную схему. Построенный на ней цифровой двойник TwinRCT, который Unlearn.AI представила в августе 2023 года, может предсказать 49 показателей, ассоциированных с болезнью Альцгеймера: от результатов когнитивных тестов на память до уровня сахара в крови.
В среднем по больнице
Стоит оговориться, что «предсказание» в данном случае имеет несколько другое значение, чем в быту. Даже самая совершенная модель ИИ не сможет предсказать, когда вы поедете в отпуск, а когда сломаете ногу. Тем не менее, что бы ни случилось в вашей жизни, масштаб изменений ограничен. Если повторить построение прогноза много раз, получится целый веер правдоподобных возможностей. Однако даже самый широкий веер возможностей лично для вас будет гораздо уже, чем широкие границы общей нормы, на которую будет ориентироваться врач при проверке показателей.
Для клинических испытаний возможность прогнозирования ожидаемых показателей позволяет сократить количество необходимых участников, а значит, время и деньги на разработку новых лекарств. Этот эффект достигается за счет того, что вместо сравнения «средней температуры по больнице» в контрольной и экспериментальной группе можно измерять рост или падение показателя относительно ожидаемого.
В отличие от подхода с моделированием химических и физических процессов, этот метод не позволит отказаться от участия настоящих пациентов в клинических испытаниях полностью, ведь он опирается на опыт и наблюдения. В будущем цифрового близнеца можно использовать как контрольную величину, полностью убрав из исследования контрольную группу — участников, которые не подвергаются воздействию экспериментального лечения. Хотя при нынешнем развитии моделей это все еще большой риск.
Помимо клинических испытаний, ИИ-модель человека может использоваться и в частной практике. Для больного человека она позволит подобрать индивидуальный план лечения за счет тестирования разных подходов на цифровой копии. А здоровому поможет оценить риски, выбрать подходящий образ жизни и заняться профилактикой проблем со здоровьем задолго до того, как они начнут ощущаться на деле.
Пока что речь идет только о воспроизведении медицинских аспектов человеческого организма. Но это лишь вопрос времени, когда кто-то решит применить эту технологию к воспроизведению личностных черт и образа мышления. И тогда перед нами встанут этические вопросы нового поколения.
Читайте также материал о том, как цифровой двойник поезда «Ласточка» предсказывает неисправности за несколько часов до их возникновения:
Использованные источники: Материал опубликован в журнале «Цифровой океан» № 24 (июль-август), 2024, malerapaso / iStock.com, Lazy_Bear / iStock.com, Olga Yastremskaya / Alamy / Legion-media, Ekaterina Chizhevskaya / iStock.com, Science Photo Library / Getty Images, Hanna Kuprevich / Alamy / Legion-media, malerapaso / iStock.com (x2)