Ny teknik som artificiell intelligens (AI) och maskininlärning (ML) kan spela en viktig roll i utvecklingen av behandlingar för typ 1-diabetes.
Dessa verktyg kan hjälpa forskare att snabbare hitta rätt patienter för studier, testa nya läkemedel och förutsäga hur väl behandlingar kommer att fungera.
Det finns få godkända behandlingar som kan bromsa eller förhindra att typ 1-diabetes utvecklas, trots stora satsningar. Ett problem är att det är svårt att hitta personer som snabbt utvecklar sjukdomen för att delta i tester. Dessutom saknas bra sätt att mäta hur effektiva behandlingarna är, vilket gör forskningen långsam och dyr.
Ett genombrott kom 2022 när ett läkemedel, teplizumab, godkändes i USA. Det kan fördröja sjukdomen hos personer med hög risk. Men för att fler framsteg ska ske behövs smartare sätt att identifiera rätt patienter och skräddarsy behandlingar.
Hur AI och ML kan hjälpa
AI och ML är kraftfulla tekniker som kan analysera stora mängder data och hitta mönster som människor annars skulle missa. Till exempel kan de användas för att:
Identifiera personer som löper hög risk att utveckla diabetes.
Snabbare testa nya läkemedel och hitta rätt dosering.
Förutsäga hur bra en behandling kommer att fungera.
Dessa tekniker utnyttjar data från olika källor, som patientjournaler, kliniska studier, fitnessarmband och appar. Genom att kombinera och analysera dessa data kan forskare bättre förstå sjukdomen och utveckla effektiva behandlingar.
Framtidens möjligheter
Forskarna undersöker också hur AI kan skapa ”digitala tvillingar” – datormodeller av patienter som gör det möjligt att testa behandlingar utan att behöva långa och dyra kliniska studier. Detta kan leda till snabbare framsteg och mer individanpassade behandlingar.
Begränsningar att övervinna
Även om AI och ML har stor potential finns det utmaningar. Modellerna kan vara svåra att förstå och ibland ge snedvridna resultat om data är av dålig kvalitet. Därför behövs noggranna tester för att säkerställa att tekniken verkligen fungerar som tänkt.
Sammanfattningsvis
kan AI och ML revolutionera hur vi behandlar typ 1-diabetes, men det krävs fortsatt forskning och noggrannhet för att nå dit.
Melanie R. Shapiro – Erin M. Tallon – Matthew E. Brown – Amanda L. Posgai – Mark A. Clements – Todd M. Brusko
https://pubmed.ncbi.nlm.nih.gov/39694914/
Artificiell intelligens (AI) Ett område som handlar om att bygga maskiner och datorer som efterliknar funktioner som förknippas med mänsklig intelligens. I dagligt tal används ”AI” ofta synonymt med ”ML”, men AI är ett paraplybegrepp som omfattar flera delområden, varav ML är ett.
Maskininlärning, machine learning (ML) är ett område inom AI, och därmed inom datavetenskapen. Det handlar om metoder för att med data ”träna” datorer att upptäcka och ”lära” sig regler för att lösa en uppgift, utan att datorerna har programmerats med regler för just den uppgiften. Området angränsar till statistik, datorseende och mönsterigenkänning. Datautvinning (datamining) är ett betydelsenära begrepp som avser en kombination av maskininlärning och statistiska metoder för att upptäcka och visualisera mönster i stora mängder data. (Wikipedia)
Källa: Diabetologia
Leveraging artificial intelligence and machine learning to accelerate discovery of disease-modifying therapies in type 1 diabetes
Melanie R Shapiro 1 2, Erin M Tallon 3 4 5, Matthew E Brown 1 2, Amanda L Posgai 1 2, Mark A Clements 3 5, Todd M Brusko 6 7 8 9
Abstract
Progress in developing therapies for the maintenance of endogenous insulin secretion in, or the prevention of, type 1 diabetes has been hindered by limited animal models, the length and cost of clinical trials, difficulties in identifying individuals who will progress faster to a clinical diagnosis of type 1 diabetes, and heterogeneous clinical responses in intervention trials.
Classic placebo-controlled intervention trials often include monotherapies, broad participant populations and extended follow-up periods focused on clinical endpoints. While this approach remains the ’gold standard’ of clinical research, efforts are underway to implement new approaches harnessing the power of artificial intelligence and machine learning to accelerate drug discovery and efficacy testing. Here, we review emerging approaches for repurposing agents used to treat diseases that share pathogenic pathways with type 1 diabetes and selecting synergistic combinations of drugs to maximise therapeutic efficacy.
We discuss how emerging multi-omics technologies, including analysis of antigen processing and presentation to adaptive immune cells, may lead to the discovery of novel biomarkers and subsequent translation into antigen-specific immunotherapies.
We also discuss the potential for using artificial intelligence to create ’digital twin’ models that enable rapid in silico testing of personalised agents as well as dose determination. To conclude, we discuss some limitations of artificial intelligence and machine learning, including issues pertaining to model interpretability and bias, as well as the continued need for validation studies via confirmatory intervention trials.
Keywords: Artificial intelligence; Digital twin; Drug discovery; Drug repurposing; Drug response; Immunotherapy; Machine learning; Pharmacogenetics; Precision medicine; Review; Type 1 diabetes.
yhetsinfo
www red DiabetologNytt