AI as a Biological Primitive: Individual Biological Simulation Without Population-Scale Reference Cohorts for Personalized Care and Drug Development

In de zoektocht naar de behandeling van complexe ziekten, heeft de geneeskunde zich lang gereserveerd op een strategie van gemiddelden. Artsen en onderzoekers bestuderen grote groepen mensen om patronen te vinden, en passen die algemene regels vervolgens toe op individuele patiënten. Deze aanpak werkt goed wanneer iedereen vergelijkbaar reageert, maar het faalt wanneer de biologie van een persoon uniek is of wanneer een standaardbehandeling niet werkt. Om dit gat te overbruggen, zijn wetenschappers begonnen met het ontwikkelen van "digitale tweelingen"—virtuele modellen van een specifiek persoon die getest kunnen worden met verschillende behandelingen voordat er iets op het echte lichaam wordt geprobeerd. Traditioneel worden deze modellen echter gebouwd door de data van een brede populatie te nemen en deze aan te passen om bij één persoon te passen. Ze beginnen bij de velen en proberen te verfijnen tot de een.

Een nieuwe lijn van onderzoek daagt deze richting uit. In plaats van te beginnen met een menigte en deze te verkleinen, vraagt deze aanpak zich af of de gedetailleerde geschiedenis van een enkel persoon voldoende is om een werkend model van zichzelf op te bouwen. Als een arts voldoende gegevens heeft over hoe het lichaam van een patiënt reageert op voedsel, medicijnen en het dagelijks leven, kunnen die gegevens alleen dan een betrouwbare simulatie creëren? Deze vraag verlegt de focus van het vinden van een patiënt die in een populatiemodel past, naar het bouwen van een model dat past bij de eigen unieke geschiedenis van de patiënt. Het suggereert dat met voldoende observatie, een persoon niet vergeleken hoeft te worden met anderen om begrepen te worden; hun eigen eerdere acties kunnen het laboratorium worden voor hun toekomstige zorg.

Maurice Antony Ewing, een onderzoeker bij Conquer Medical Health, testte dit idee met een dataset van twaalf mensen die leven met type 1 diabetes. Deze individuen werden gedurende acht weken nauwlettend gevolgd, waarbij bijna 200.000 momentopnames van hun bloedsuikerspiegel, insulinegebruik en dagelijkse activiteiten werden gegenereerd. Het doel was om te zien of de computer een model voor elk persoon kon leren met alleen hun eigen data, zonder te leunen op de gemiddelde reacties van de andere elf mensen of enige grotere groep. De onderzoekers creëerden wat zij een "artificieel biologisch primitief" noemen. Denk hierbij niet aan een statisch profiel, maar aan een levende, ademende digitale versie van de patiënt die de eigen regels van gedrag heeft geleerd van de eigen geschiedenis.

Het team testte eerst of dit zelfgebouwde model levensvatbare paden naar een gezonde staat kon identificeren. Ze namen momenten waarop de bloedsuiker van een patiënt gevaarlijk hoog was en vroegen het model: "Als je een specifieke actie onderneemt, zoals een dosis insuline of een beetje lichaamsbeweging, zou dit je bloedsuiker naar een doel kunnen brengen?" Het model identificeerde succesvol interventies die de kloof tussen de huidige hoge staat en een gezonde doelstelling met bijna 97% zouden verkleinen in de meest flexibele tests. Dit bewees dat het model de specifieke relaties tussen acties en uitkomsten voor dat individu kon in kaart brengen, waarbij het kandidaat-interventies genereerde in plaats van causale behandelingseffecten te beweren.

De meer kritische test was echter om te zien of dit individuele model werkelijk verschilt van een model dat gebouwd is op het gemiddelde van de groep. De onderzoekers vergeleken het advies gegeven door de eigen geschiedenis van het individu met het advies gegeven door een model dat getraind is op alle twaalf mensen gecombineerd. De resultaten waren opmerkelijk: de twee modellen stemden zelden overeen. Sterker nog, ze suggereerden in slechts ongeveer een kwart van de gevallen exact hetzelfde behandelplan. De vorm van de respons—de manier waarop het lichaam reageerde op een verandering—was zo uniek voor elke persoon, dat het groepsgemiddelde een slechte gids was voor het individu. Deze bevinding sluit het idee uit dat een patiënt accuraat gerepresenteerd kan worden door simpelweg een populatiemodel aan te passen; de eigen geschiedenis van het individu bevat een geometrie van respons die de groep simpelweg niet ziet.

Om te waarborgen dat deze digitale modellen niet slechts aan het raden waren, keken de onderzoekers naar wat er in de echte wereld gebeurde wanneer deze mensen daadwerkelijk insuline namen of bewogen. Ze maten hoeveel de bloedsuikerbaan van de persoon veranderde na een echte interventie vergeleken met de momenten waarop niets gebeurde. De data lieten zien dat echte behandelingen een significante, meetbare verschuiving veroorzaakten in het pad van het lichaam, een "deformatie" die bijna twee keer zo groot was als de natuurlijke schommelingen tijdens stabiele perioden. Dit bevestigde dat de geschiedenis van het lichaam een duidelijk signaal bevat van hoe het reageert op verandering, wat het grondmateriaal biedt om een betrouwbare simulatie te bouwen.

De studie ging vervolgens over naar een praktische toepassing: het gebruik van de digitale tweeling om nieuwe ideeën te testen voordat ze op de persoon worden geprobeerd. De computer stelde duizenden potentiële wijzigingen aan de behandeling voor, zoals het aanpassen van insulinedoses of timing. Het systeem controleerde deze voorstellen vervolgens tegen de eigen geschiedenis van de persoon. Als de persoon een specifieke aanpassing nooit had geprobeerd, of als hun geschiedenis aantoonde dat een soortgelijke zet eerder tot slechte resultaten had geleid, markeerde het systeem dit als riskant of ononderbouwd. Opmerkelijk genoeg had ongeveer 78% van de voorgestelde wijzigingen een precedent in de eigen geschiedenis van de persoon, en van die gevallen had bijna tweederde voorheen goed gewerkt. Dit creëerde een vangnet waarbij de computer kon zeggen: "Dit hebben we eerder geprobeerd, en het werkte," of "Dit hebben we geprobeerd, en het faalde," zonder ooit de patiënt opnieuw te hoeven experimenteren.

Cruciaal was dat het model niet statisch was. Naarmate de toestand van de persoon van uur tot uur veranderde, veranderde ook het beste suggestie voor de behandeling. Wanneer de onderzoekers het model op verschillende tijdstippen of met verschillende doelen om advies vroegen, gaf het in meer dan twee derde van de gevallen andere antwoorden. Dit bewijst dat het model niet alleen een persoon toeweist aan een vaste categorie, zoals "Type A diabeet", maar fungeert als een dynamische experimentele partner die meevolt met de patiënt.

De onderzoekers testten ook of deze methode verder ging dan diabetes. Ze pasten dezelfde logica toe op populatieniveau-data over overheidsbeleid tijdens de pandemie en op data over hoe individuele hersencellen reageren op visuele stimuli. In beide gevallen kon het systeem leren van de specifieke geschiedenis van dat systeem—of het nu een land of een neuron was—en simuleren hoe het zou reageren op nieuwe inputs. Dit suggereert dat de aanpak niet beperkt is tot één type biologie, maar een algemene manier is om diepe observatie te gebruiken om te begrijpen hoe elk systeem zich gedraagt.

De studie concludeert dat voor gepersonaliseerde zorg en medicijnontwikkeling het krachtigste instrument mogelijk niet een grotere database van andere mensen is, maar een dieper verslag van het individu. Door de eigen geschiedenis van een persoon als de primaire bron van waarheid te behandelen, kunnen artsen en onderzoekers een virtueel laboratorium bouwen dat specifiek is voor die persoon. Dit stelt hen in staat om behandelingen te screenen, diegene af te wijzen waarvan de geschiedenis zegt dat ze zullen falen, en diegene te prioriteren waarvan de geschiedenis zegt dat ze zullen werken, nog voordat er een enkele pil wordt geslikt of een enkele injectie wordt toegediend. Het werk beweert niet het probleem van ziekte te hebben opgelost, maar biedt een nieuwe manier om erover na te denken: dat het antwoord op het unieke probleem van een patiënt volledig in hun eigen verleden kan liggen, wachtend om gelezen te worden door een machine die weet hoe ze moet luisteren.