Cyfrowy bliźniak do testów

Proces tworzenia leku, badania specyfiku oraz uzyskiwania zgody na dopuszczenie go do obrotu trwa wiele lat. Jednym z końcowych etapów prac są testy na ludziach. W tym celu tworzy się zazwyczaj dwie grupy ludzi (tzw. ramiona kontrolne). W dużym uproszczeniu: pierwszej podaje się nową substancję, a pozostali (losowo wybrani) uczestnicy zażywają albo placebo, albo obecny już w obrocie lek na to samo schorzenie.

Podstawowym problemem wynikającym z tego schematu jest konieczność werbowania wielu chętnych, z których aż połowa otrzyma znaną już substancję bądź placebo. To koszty, których można by uniknąć. Wystarczy wprowadzić do AI dane pochodzące z baz medycznych stworzonych m.in. w ramach poprzednich badań klinicznych oraz rzeczywiste dane pacjentów (Real-World Evidence; RWE) z rejestrów lub elektronicznej dokumentacji medycznej, by algorytmy powołały do istnienia wirtualne modele symulujące prawdziwych pacjentów.