Gerçek Hastalar Yerine Sentetik İnsanlar, Tıbbın Geleceği Mi?
Yapay olarak oluşturulmuş verilerin üretken modellerle birleştirilmesi, karmaşık araştırmaların daha kısa zaman dilimlerinde gerçekleştirilmesine olanak sağlamaktadır. Sağlık kuruluşları ve teknoloji ortakları, protokollerin kalitesini yükseltmeyi, kısıtlamaları ve işletme maliyetlerini en aza indirmeyi hedefliyor.Sentetik verinin tıp alanında kullanımı, özellikle gerçek verilerin araştırma ihtiyaçlarına kapsamlı bir şekilde cevap vermeye yeterli olmadığı durumlarda, günümüzde çok sayıda tartışmanın merkezinde yer almaktadır. Dünya çapında milyonlarca hastadan her gün bilgi topladığımızı düşünürsek, bu durum paradoksal görünebilir.
Ancak bu, verilerin araştırma için tam olarak ihtiyaç duyulan veriler olduğu veya kullanılabileceği anlamına gelmiyor, veri koruma düzenlemelerinin kendisi bir engel olabilir ve daha da önemlisi, yeterli sayıda gerçek insan bulmanın mümkün olmadığı birçok özel durum vardır.
Derinlemesine araştırmalara olanak sağlamak için araştırmacılar Yapay Zeka çözümlerinden ve yapay olarak oluşturulmuş veri kümelerinden yararlanırlar. Büyük miktarda veriye sahip olmanızı ve bunları kurallara uygun şekilde kullanmanızı sağlayan, böylece sorunun önemli bir bölümünü nispeten sınırlı bir çabayla çözen bir çözüm. Bu, özellikle geniş bir kohort bulmanın zor (hatta imkansız) olduğu nadir hastalıklar veya sporadik başlangıçlı kronik rahatsızlıklar söz konusu olduğunda faydalıdır.
Sentetik veri olarak tanımlanan şey, gerçek bir veri setinin istatistiksel özelliklerini yeniden üretebilen, ancak tek tek kişilere ilişkin özel referanslar içermeyen, bilgisayar tarafından üretilen bir bilgi kümesidir. Dolayısıyla sentetik hastalardan, yani gerçek verilerin kıtlığını veya hastaların sınırlı ulaşılabilirliğini aşmak için oluşturulmuş, makul klinik özelliklere sahip sanal kimliklerden bahsediyoruz.
Konuyla ilgili devam eden ve yayınlanan birçok araştırma projesi arasında, örneğin NTT Data ve Train'in yakın zamanda yayınladığı bir makale, üretken yapay zekanın uygulanmasının güvenilir, ancak gizlilik dostu test senaryoları oluşturabileceğini göstermektedir.
Tıbbi alanda sentetik veriler
Belirli algoritmalar aracılığıyla üretilen bilgiler hiçbir gerçek hastanın kimliğini ortaya çıkarmaz. Yapay zeka, referans popülasyonunu yansıtan çeşitli vakaları yeniden yaratma amacıyla desenleri, korelasyonları ve istatistiksel dağılımları çıkarmaya odaklanır. Klasik anonimleştirmenin aksine, sentetik veriler hassas verilerin varlığını tamamen ortadan kaldırır ve yeniden tanımlanma riskini azaltır.Hem veri kıtlığı sorununu hem de mevzuata uyum sorununu çözen bir çözüm. Ancak sentetik verilerin kullanımı mutlaka etik bir çözüm değildir bu hususun hâlâ dikkate alınması gerekir.
Teoride, yalnızca Avrupa'daki yaklaşık 400 milyon vatandaşın yeterli bir örneklem teşkil edebileceği düşünülebilir. Ancak bilgiler çoğu zaman parçalı bir yapıdadır ve farklı ülkelerdeki veri tabanları birbirleriyle iletişim kuramaz.
Kistik fibrozis, miyelodisplastik sendrom veya Duchenne kas distrofisi gibi bazı nadir hastalıklarda, bazen kıtalar boyunca yayılmış şekilde, çalışılabilecek gerçek denek sayısı azdır. Bu nedenle, klinik parametreleri gerçeğe yeterince yakın olan simle edilmiş versiyonların oluşturulması, bilgi havuzunu genişletmemize ve tahmin algoritmalarını test etmemize olanak tanır.
Sentetik veriler herkese fayda sağlar
Sektördeki şirketler sanal hastaların kullanımından önemli ölçüde faydalanıyor. Araştırmacılar, bürokratik gecikmeleri beklemek veya birden fazla ülkede denemeler başlatmak zorunda kalmadan, belirli bir ilacın farklı yaş, cinsiyet ve genetik geçmişe sahip hastalarla nasıl etkileşime girebileceğine dair simülasyonları önceden çalıştırabilirler. Bu testlerin yine de yapılması gerekecek, ancak zamandan tasarruf sağlanabilir.Örneğin, kanser karşıtı ilaçları test etmek için sahte deneklerden oluşan bütün popülasyonların üretilmesi olasılığı var. Nadir hastalıklarda küçük kohortlardan kaynaklanan engeller yarı yarıya azalır. Sentetik veri setleriyle istatistiksel sağlamlık artar. Birçok belge, tıbbi ziyaretlerin sayısının ve gönüllü toplama maliyetlerinin azaltılmasıyla, deneme maliyetlerinin %30'a kadar düşebileceğini göstermektedir.
Daha sonra kamu kasasına, sigorta hesaplarına ve en nihayetinde vatandaşların refahına yansıyabilecek maliyetlerde bir azalma.
Hekimler açısından, sezgisel platformlar tarafından yönetilen, iyi yapılandırılmış sentetik verilere sahip olmak, daha hızlı ve daha doğru karar destek araçlarının Klinik Karar Destek Sistemleri geliştirilmesini mümkün kılmaktadır. Beyaz önlükler, dijital popülasyonlarda tanı yollarını simile edebilir. Şüphe halinde algoritma, gerçek hastanın resmini daha önce doğrulanmış binlerce sanal durumla karşılaştırarak tanı seçenekleri önerir.
Bu araç uzun bekleme listeleri sorununu çözmeyecek ama kesinlikle yardımcı olabilir.
Son kullanıcı perspektifinden bakıldığında , sentetik veriler daha kısa sürede ve daha düşük maliyetlerle geliştirilen, daha hedefli ilaçlar ve protokoller geliştirme olanağı sunmaktadır. Nadir hastalıklara sahip pek çok kişi, çok uzun bir teşhis ve tedavi sürecinden şikayetçi, genişletilmiş veri kümeleri üzerinde eğitilen algoritmalar, erken sinyalleri belirleme ve tedaviyi genetik veya klinik parametrelere göre düzenleme yeteneğini geliştiriyor.
