digital Twin web

Tıp teknolojisini insanlaştırma: Dijital ikizin doğuşu 

Bilgisayar simülasyonları bireysel hasta bakımının önünü açabilir mi? Dijital ikizler tıp dünyasını tamamen dönüştürme potansiyeline sahip.

Andrea Lutz, Doreen Pfeiffer

31 Ağustos 2021’de yayımlandı

Digital Twin Web image

Bir algoritma, bir paket cips yemenin sebep olduğu fiziksel zararı ve bunun yerine sağlıklı bir smoothie içmenin yararlarını hesaplayabilir mi? Bunu her birey için kişiselleştirilmiş bir prognoz şeklinde sunabilir mi?

Bu sorular, Rehovot, İsrail’deki Weizmann Bilim Enstitüsündeki bilim insanlarının araştırma konusuydu.

Araştırmacılar, bir hafta boyunca 800 kişinin kan şekeri seviyelerini sürekli olarak ölçmek için onları gerekli cihazlarla donatarak insan metabolizmasının 46.998 öğüne verdiği bireysel tepkileri değerlendirdi. Bunun yanı sıra deneklerin yeme alışkanlıkları, fiziksel aktivite alışkanlıkları, tıbbi geçmişleri ve mikrobiyomları hakkında bilgi topladılar.

Toplanan yüksek hacimli verilere dayalı olarak yapay zeka tarafından modeller tanımladı ve deneklerin belirlenmiş bir gıdaya nasıl tepki verdiğini tahmin edebilen bir algoritma geliştirildi. Şaşırtıcı bulgu ise yapay zeka tarafından belirlenen yönergeleri takip eden insanların, diyetisyenler tarafından yönlendirilen karşı grup ile aynı ölçüde yararlandığı oldu.1

Florida Üniversitesinden Reinhard Laubenbacher, COVID-19 gibi viral enfeksiyonlara karşı mücadelede çok benzer bir teknik kullanılmasını önermektedir.2 Araştırmacı, mümkün olduğunca çok sayıda bireysel hasta verisi toplanır ve çeşitli hastalık süreci modellerini çalıştırmak için bir bilgisayar kullanılırsa gelecek senaryoları gerçek zamanlı ortaya çıkarmanın mümkün olacağından emin.

Laubenbacher gibi sistem biyologları, hücre ve organlar arasındaki ilişkiler hakkında temel bir anlam kazanımı için girişimde bulunuyorlar. Bu ilişkiler, yenilikçi tıbbi teknoloji ve ilaçların gelişimine izin veren temel içgörüler sağlamak için sistematik bir şekilde veri düzenlemesi yaparak ortaya çıkarılabilir.

Dijital ikizler3 programlamasının mantıklı prognozlar sağlaması temelde çokça çeşitli veri parçalarına dayanmaktadır. Buna ek olarak, veri paketi sürekli olarak tamamen tazelenmelidir, böylelikle dijital ikiz, istikrarlı yeni simülasyon akışları için kullanılabilir.

Gerçek bir ürün ya da işlemin sanal temsilleri olarak dijital ikizler, daima gerçek ikizlerinin özellikleri hakkında temel bilgileri içermektedir. Konsept, üreticilerin şu an sanal bir temsil kullanarak geliştirmenin her aşamasını izleyebildiği endüstrilerde kullanılmaya başlanmıştır. Bu yüzden herhangi bir maddi kaynağı boşa harcamadan çok erken bir aşamada yeni ya da düzenlenmiş bir ürünü kalp ve böbrek üzerinde test edebilir.

Breast Bud

Başka bir deyişle dijital ikiz teknolojisi, endüstriyel süreçlerin birçok yönünü şimdiden geliştirebilir fakat ortaya çıkan bulguları tıbbi uygulamalarda kullanmak çok daha zordur. Bir hastanın genel bir temsilini oluşturmak, nöral ağların milyonlarca veri kümesi kullanarak eğitilmesini gerektirecektir. Ancak sonrasında bu veriler, benzer veri kümeleri ile bireysel başlangıç durumlarını karşılaştırarak belirli bir hasta için sonuca varmak amacıyla bütünsel bir insan modeline dönüştürülebilir.

Günümüzde, tedavi seçenekleri ve ilaç yönetimine ilişkin kararlar büyük ölçüde esneklik gerektirmedir ve genelde hala deneme yanılma yöntemine bırakılmaktadır. Sonuç olarak bir tedavi sürecinin başarı ya da başarısızlığı, vücut içerisinde meydana gelen karmaşık biyokimyasal işlemlerin yanı sıra hastanın yaşından, cinsiyetinden ya da genetik yatkınlığından da etkilenebilmektedir.

Sağlanan verilerin kalitesi de çok önemli bir rol oynamaktadır. Örneğin: aritmi, arteriyoskleroz, kalp çarpıntısından muzdarip olan kalp hastalarının, CT taramalarında mükemmel bir görüntü kalitesi sağlamak kolay değildir ve bu özellikle daha az deneyime sahip olan radyoloji çalışanları için geçerlidir. Yine de, tüm deneyim düzeylerindeki kullanıcılar, her zaman en yüksek kalitede veri üretmek için temel bir ön şart olan kişiselleştirilmiş ve özelleştirilmiş taramalar yapmak için uygulamalardaki akıllı desteğe güvenmektedir.

digital twin3

Gelecekte amaç, bu ikizlerin sağlık sistemindeki belirli bir hastanın bireysel temsili gibi hareket etmesidir. Kandaki şeker seviyelerini izlemek için yapılan çalışmada olduğu gibi, dijital ikiz bir yaşam tarzı değişikliğinin her birey üzerindeki etkilerini tahmin etmek için kullanılabilecektir.

Bu, belirli yaş gruplarındaki ya da yaşam durumlarındaki olası tepkiler hakkında genel ifadeler yerine, örneğin, ilaçların yan etkilerinin kişiselleştirilmiş bir tahmini şeklini alacaktır. Bundan farklı olarak, hasta tepkileri önceden ve risksiz bir şekilde tahmin edilebileceği için, hastanın belirli durumuna dayalı olarak tedavi kararları alınmasına izin verebilecektir. Bununla birlikte teknoloji; her klinik görüntü, her ölçülen kan değeri ve her tamamlanmış muayene ile güncellenen eksiksiz, hayat boyu bir hastanın fizyolojik modelini sunmaktan hala uzaktır.

Vücudun her bir bölümüne dijital ikizlerinin zaten ulaşılabilir olduğu söylenmektedir. Bunlar, son derece dinamik doğaları ve çalıştırmak için kullanılabilecek çoklu senaryolarından dolayı geleneksel 3D modellerinden farklıdır. Hastalık modelleri, geliştirilen bir hastalığın parçası olarak gözlemlenen tüm patolojik süreçleri ortaya çıkarırken, organ modelleri bir organ ya da organ sisteminin operasyon şeklini ve yapısını simüle etmektedir. Gelecekte dijital ikizlerin aynı zamanda hastane yönetiminde de uygulamaları olabilir.

liver

Bu arada şimdiden araştırmalar, karaciğerin sanal bir modelini oluşturmak amacıyla devam etmektedir. Dresden'deki Max Planck Moleküler Hücre Biyolojisi ve Genetiği Enstitüsündeki araştırmacılar, safra akışının doğru bir simülasyonunu kullanarak ilaçların yan etkisini daha doğru bir şekilde nasıl tahmin edeceklerini öğrenmek için çalışmaktadır.

Fare karaciğerindeki safra taşımasını ölçüp, sonrasında eş bir model oluşturmak için matematiksel teknikler kullanmaya başlamışlardır. Şu anda araştırmacılar, bu modeli bir insan karaciğerinde uygulamak için strateji geliştirmeye çalışmaktadırlar.4

Siemens Healthineers, akıllı elektronik tıbbi kayıtları bu çözümler için bir başlangıç noktası olarak kullanarak, görüntüleme ya da laboratuvar tanılama alanlarında dijital ikizlerin geliştirilmesi ile destek sunmaktadır. Amaç, doktor ekiplerinin teşhis ve tedavilere ilişkin kararlar almasını daha kolay hale getirmek için kohort analizinden elde edilen yapay zeka ve içgörüleri kullanmaktır.

Örneğin, doktorların tıbbi görüntüleri yorumlarken temel tekrarlayan görevlerin yükünü azaltmasına ve teşhis kesinliğini geliştirmesine yardım edebilecek yapay zeka destekli, bulut tabanlı iş akışı çözümleri ailesi vardır.

AI-Rad Companion, görüntü veri kümelerinin otomatik olarak işlenmesini sağlayan algoritmalar içermektedir. Bu sırada Pathway Companion uygulamaları kişiselleştirilmiş ve standartlaştırılmış hasta yönetimini desteklerken aynı zamanda süreç optimizasyonunu yönlendirmek için değerli içgörüler sağlamaktadır. Bu, radyologların artan talepler karşısında önemli görevlere odaklanmasına yardımcı olmaktadır.

Bir gün yapay zeka, bireysel olarak sağlığımızın geleceği hakkında bize tavsiye verebilecektir. Bu, günümüzde hala hastalıkları tedavi etmek için kullanılan modern tıp uygulamasının yakında sağlığımızı koruyan bir tıp biçiminin alacağı anlamına mı gelmektedir? Hastalıklar, onları daha erken tespit edebildiğimiz ve daha doğru bir şekilde tedavi edebildiğimiz için gelecekte daha az acı verici olacak mıdır? Bu mümkün fakat öncesinde üstesinden gelinmesi gereken teknik zorluklardan daha fazlası var. Her modern sağlık şirketi kendi veri altyapısına sahip olsa da, bu kaynaklar büyük ölçüde kendi veri silolarında kalmaktadır. Bu verileri paylaşmak için birçok neden bulunmaktadır: veri korumayla ilgili endişeler, rekabetin veri açlığı yüzünden duyulan korku ve teknolojinin yapısal özellikleri. Fakat bu, ikileme sebep olmaktadır çünkü bu bilgi zenginliği; sağlam tedavi kararlarına ulaşmayı, yan etkileri azaltmayı, hastaların ihtiyaçlarına göre planlama yapmayı ve tıbbi cihazları özelleştirmeyi daha kolay hale getirecektir. Her halükarda, herhangi bir bireysel sanal ikizinin oluşturulması, temel olarak dikkatli bir şekilde toplanmış eksiksiz bir veri setinin tam vaktinde mevcut olmasına bağlıdır. Dahası, bu veriler bir kişinin yaşamı boyunca ve ölümünden sonra bile gelecek nesillerin yararına korunmalı ve desteklenmelidir. Olayın püf noktası budur: Dijital bir ikiz yaratmak için en başta gerekli olan, hayatın kendisi gibi koruduğumuz verilerdir.

Meme kanserini ilk evrelerinde teşhis etmek amacıyla 50 yaş ve üzeri kadınlar, mamogram - göğüs röntgeni - için düzenli olarak çağrılmaktadır. Bireysel durumlara bağlı olarak, bu tarama çok erken, çok geç ya da gereksiz olabilmektedir. Universitätsklinikum Erlangen'in tıbbi direktör yardımcısı Profesör Michael Uder, “Dijital ikiz daha iyi bir durum değerlendirmesi yapmamızı sağlar,” demektedir. Uder, bunun yanı sıra, doktorlara tedaviyi tam olarak hastaya göre uyarlamalarına olanak tanıyan yeni bir araç sağlıyor, demektedir.5

Meme kanseri taraması için dijital ikizin geliştirilmesinin kilit savunucularından biri, Siemens Healthineers, Friedrich-Alexander-Universität Erlangen-Nürnberg, Universitätsklinikum Erlangen ve Medical Valley'den oluşan bir ittifak olan d.hip'tir. Amaç, kadınlara yaklaşık beş yıl gibi kısa bir süre içerisinde “dijital kız kardeşler” ile birlikte olma seçeneği sunmaktır.


Andrea Lutz, Doreen Pfeiffer

Andrea Lutz, tıp, teknoloji ve sağlık hizmeti teknolojisi alanında uzmanlaşmış bir gazeteci ve işletme eğitmenidir. Nuremberg, Almanya’da yaşamaktadır. Doreen Pfeiffer tıp/biyolojik bilime odaklı gazetecilik okumuştur ve Siemens Healthineers’da editör olarak çalışmaktadır.