Charles Fisher, Ph.D., é o CEO e fundador da Unlearn, uma plataforma que utiliza IA para enfrentar alguns dos maiores gargalos no desenvolvimento clínico: longos prazos de testes, altos custos e resultados incertos. Seus novos modelos de IA analisam grandes quantidades de dados ao nível do paciente para prever os resultados de saúde dos pacientes. Ao integrar gêmeos digitais em ensaios clínicos, a Unlearn é capaz de acelerar a pesquisa clínica e ajudar a levar novos tratamentos que salvam vidas aos pacientes necessitados.
Charles é um cientista com interesses na intersecção entre física, aprendizado de máquina e biologia computacional. Anteriormente, Charles trabalhou como engenheiro de aprendizado de máquina na Leap Movement e biólogo computacional na Pfizer. Ele foi Philippe Meyer Fellow em física teórica na École Normale Supérieure em Paris, França, e cientista de pós-doutorado em biofísica na Universidade de Boston. Charles possui um Ph.D. em biofísica pela Universidade de Harvard e bacharelado em biofísica pela Universidade de Michigan.
Atualmente você é minoria em sua crença elementary de que a matemática e a computação deveriam ser a base da biologia. Como você chegou originalmente a essas conclusões?
Provavelmente isso acontece porque a matemática e os métodos computacionais não têm sido suficientemente enfatizados no ensino da biologia nos últimos anos, mas do meu ponto de vista, as pessoas estão a começar a mudar de ideias e a concordar comigo. As redes neurais profundas nos deram um novo conjunto de ferramentas para sistemas complexos, e a automação está ajudando a criar os conjuntos de dados biológicos em grande escala necessários. Acho que é inevitável que a biologia passe a ser mais uma ciência computacional na próxima década.
Como essa crença fez a transição para o lançamento do Unlearn?
No passado, muitos métodos computacionais em biologia foram vistos como resolvendo problemas de brinquedo ou problemas muito distantes das aplicações em medicina, o que tornou difícil demonstrar o valor actual. Nosso objetivo é inventar novos métodos de IA para resolver problemas na medicina, mas também estamos focados em encontrar áreas, como em ensaios clínicos, onde possamos demonstrar valor actual.
Você pode explicar a missão do Unlearn de eliminar tentativa e erro na medicina por meio da IA?
É comum na engenharia projetar e testar um dispositivo usando um modelo de computador antes de construir o dispositivo actual. Gostaríamos de possibilitar algo semelhante na medicina. Podemos simular o efeito que um tratamento terá sobre um paciente antes de aplicá-lo a ele? Embora eu ache que o campo esteja muito longe disso hoje, nosso objetivo é inventar a tecnologia para tornar isso possível.
Como o uso de gêmeos digitais pela Unlearn em ensaios clínicos acelera o processo de pesquisa e melhora os resultados?
Unlearn inventa modelos de IA chamados geradores de gêmeos digitais (DTGs) que geram gêmeos digitais de participantes de ensaios clínicos. O gêmeo digital de cada participante prevê qual seria o resultado se recebessem o placebo em um ensaio clínico. Se os nossos DTGs fossem perfeitamente precisos, então, em princípio, os ensaios clínicos poderiam ser realizados sem grupos placebo. Mas, na prática, todos os modelos cometem erros, por isso pretendemos conceber ensaios aleatórios que utilizem grupos de placebo mais pequenos do que os ensaios tradicionais. Isso torna mais fácil a inscrição no estudo, acelerando os prazos do teste.
Você poderia explicar com precisão qual é a metodologia de Ajuste de Covariáveis Prognósticas (PROCOVA™) qualificada pela regulamentação da Unlearn?
PROCOVA™ é o primeiro método que desenvolvemos que permite que gêmeos digitais dos participantes sejam usados em ensaios clínicos para que os resultados dos ensaios sejam robustos a erros que o modelo possa cometer em suas previsões. Essencialmente, o PROCOVA utiliza o facto de alguns dos participantes num estudo serem aleatoriamente designados para o grupo placebo para corrigir as previsões dos gémeos digitais utilizando um método estatístico denominado ajuste covariável. Isto permite-nos conceber estudos que utilizem grupos de controlo mais pequenos do que o regular ou que tenham maior poder estatístico, garantindo ao mesmo tempo que esses estudos ainda fornecem avaliações rigorosas da eficácia do tratamento. Também continuamos a pesquisa e desenvolvimento para expandir esta linha de soluções e fornecer estudos ainda mais poderosos no futuro.
Como a Unlearn equilibra a inovação com a conformidade regulatória no desenvolvimento de suas soluções de IA?
As soluções destinadas a ensaios clínicos são geralmente regulamentadas com base no seu contexto de utilização, o que significa que podemos desenvolver múltiplas soluções com diferentes perfis de risco que se destinam a diferentes casos de utilização. Por exemplo, desenvolvemos o PROCOVA porque apresenta um risco extremamente baixo, o que nos permitiu obter um parecer de qualificação da Agência Europeia de Medicamentos (EMA) para utilização como análise primária em ensaios clínicos de fase 2 e 3 com resultados contínuos. Mas o PROCOVA não aproveita todas as informações fornecidas pelos gêmeos digitais que criamos para os participantes do estudo — ele deixa algum desempenho em jogo para se alinhar às orientações regulatórias. É claro que o Unlearn existe para ultrapassar os limites para que possamos lançar soluções mais inovadoras destinadas a aplicações em estudos de estágio inicial ou análises post-hoc onde podemos usar outros tipos de métodos (por exemplo, análises Bayesianas) que fornecem muito mais eficiência do que podemos. com PROCOVA.
Quais foram alguns dos desafios e avanços mais significativos do Unlearn na utilização de IA na medicina?
O maior desafio para nós e para qualquer pessoa envolvida na aplicação da IA a problemas na medicina é cultural. Atualmente, a grande maioria dos investigadores em medicina especificamente não está extremamente familiarizada com a IA e geralmente está mal informada sobre como as tecnologias subjacentes realmente funcionam. Como resultado, a maioria das pessoas está altamente cética quanto à utilidade da IA no curto prazo. Penso que isso irá inevitavelmente mudar nos próximos anos, mas a biologia e a medicina geralmente ficam atrás da maioria dos outros campos no que diz respeito à adopção de novas tecnologias informáticas. Tivemos muitos avanços tecnológicos, mas as coisas mais importantes para conseguir a adoção são provavelmente as provas dos reguladores ou dos clientes.
Qual é a sua visão abrangente para o uso da matemática e da computação na biologia?
Na minha opinião, só podemos chamar algo de “ciência” se o seu objetivo for fazer previsões quantitativas precisas sobre os resultados de experiências futuras. Neste momento, cerca de 90% dos medicamentos que entram em ensaios clínicos em humanos falham, geralmente porque não funcionam de facto. Portanto, estamos muito longe de fazer previsões quantitativas precisas no que diz respeito à maioria das áreas da biologia e da medicina. Não creio que isso mude até que o núcleo dessas disciplinas mude – até que a matemática e os métodos computacionais se tornem as principais ferramentas de raciocínio da biologia. Minha esperança é que o trabalho que estamos realizando na Unlearn destaque o valor de adotar uma abordagem “IA primeiro” para resolver um problema prático importante na pesquisa médica, e que futuros pesquisadores possam pegar essa cultura e aplicá-la a um conjunto mais amplo de problemas. .
Obrigado pela ótima entrevista, os leitores que desejam saber mais devem visitar Unlearn.
