Unlearn AI יוצר "תאומים דיגיטליים" של מטופלים בודדים המשתמשים בבינה מלאכותית. תאומים דיגיטליים אלה הם רישומים קליניים מדומים המספקים מודל מקיף של תוצאות בריאותיות פוטנציאליות תחת תרחישים שונים. אנשי מקצוע בתחום הבריאות יכולים להתאים אישית את תוכניות הטיפול, לעקוב אחר התקדמות המטופל ולקבל החלטות מושכלות כדי לשפר את תוצאות המטופל.
ניתן להשתמש בתאומים הדיגיטליים של מטופלים של Unlearn.AI כדי לדמות את ההשפעות של טיפולים שונים על הביולוגיה האישית של המטופל על ידי שימוש בנתונים מהעולם האמיתי. זה מאפשר לרופאים להתאים אישית את תוכניות הטיפול עבור כל מטופל ולנטר את התקדמות המטופלים במהלך הטיפול, תוך התאמת תוכניות הטיפול לפי הצורך, מה שיכול לסייע בשיפור תוצאות המטופל.
כדוגמה קונקרטית בהמטולוגיה, שקול מטופל שאובחן עם לוקמיה לימפוציטית כרונית (CLL). הקלינאי יכול להשתמש בטכנולוגיית התאומים הדיגיטליים של Unlearn כדי לדמות את התקדמות המחלה הפוטנציאלית של המטופל תחת אסטרטגיות טיפול שונות, כגון כימותרפיה או טיפול ממוקד. על ידי השוואת תוצאות מדומה אלה, הקלינאי יכול לקבל החלטה מושכלת יותר לגבי דרך הפעולה הטובה ביותר עבור המטופל. בנוסף, התאום הדיגיטלי יכול לשמש בהקשר של ניסוי קליני, מה שמאפשר לחוקרים להבין טוב יותר את ההשפעות הפוטנציאליות של טיפולים חדשים ל-CLL ללא צורך בקבוצות ביקורת גדולות יותר.
במונחים של תמיכה בחינוך מקצועי של קלינאי ומעקב טוב יותר אחר המטופלים, ניתן להשתמש בתאומים דיגיטליים אלה כדי לשפר את המחקר הקליני וקבלת ההחלטות. Unlearn מפתחת שיטות חדשות לשימוש בתוצאות הבריאות החזויות מהתאומים הדיגיטליים של המטופלים כדי לקבוע את הטיפולים הטובים ביותר עבור כל מטופל. יישומים אלה מסייעים לייעל תהליכים, מה שהופך אותם ליעילים ומותאמים אישית יותר.
מחקר שפורסם על ידי אוניברסיטת קורנל העריך את הביצועים של פלטפורמת הדיגיטל טווין מול מערך בדיקות ממושך והראה כיצד תאומים דיגיטליים לוכדים בו זמנית את ההתקדמות של מספר נקודות קצה מרכזיות בניסויים קליניים על פני קשת רחבה של חומרת המחלה, כולל MCI ו AD קלה עד בינונית.
"מדול התקדמות מחלה בהפרעות קוגניטיביות קלות ומחלת אלצהיימר עם תאומים דיגיטליים". דצמבר 2020.
https://arxiv.org/abs/2012.13455
הערה: הבינה המלאכותית הגנרטיבית המשמשת את Unlearn מבוססת על מודלים של למידה עמוקה עבור נתונים מסדרת זמן רב-משתנית, כאשר מודלים אלה נבנו ונפרסו כדי לחזות תוצאות בריאותיות פוטנציאליות עבור מטופלים בודדים. גישה זו אינה עוסקת ביצירת שכפול מדויק של מטופל מקבוצה חיצונית, אלא במודל חישובי המציע תחזית הסתברותית של התוצאות הבריאותיות הספציפיות שלו.
