jsonscraper

Microsoft ja Boehringer Ingelheim tutkivat potilaiden digitaalisia kaksosia kliinisissä tutkimuksissa

Yhteistyö alkaa keuhkosairauksien mallintamisesta. Kumppanit selvittävät, voivatko digitaaliset mallit tukea synteettisiä ja hybridimuotoisia verrokkiryhmiä.

Toimituksellinen linjaus Ilmoita virheestä

Yksittäisten potilaiden digitaalisia malleja tutkivat yhteistyössä Microsoft ja Boehringer Ingelheim. Yritykset ilmoittivat yhteistyöstä 22. lokakuuta 2026: ensimmäisenä aiheena on keuhkojen terveys, ja työn painopisteenä on tieteellisen ja teknisen toteutettavuuden arviointi.

Artikkeli: Microsoft ja Boehringer Ingelheim tutkivat potilaiden digitaalisia kaksosia kliinisissä tutkimuksissa
Yhteenveto: Microsoft ja Boehringer Ingelheim ilmoittivat 22. lokakuuta yhteisestä potilaiden digitaalisten kaksosten tutkimuksesta. Ensimmäinen vaihe keskittyy keuhkojen terveyteen, ja yritykset arvioivat lähestymistavan tieteellistä ja teknistä toteutettavuutta, mukaan lukien kliinisten tutkimusten simulointi.
Kuvan rooli: kansikuva – keskeinen ajatus
Osio: 
Visuaalinen aihe: kliinisen tutkimuksen konseptikuva, jossa esitetään potilaskohtainen digitaali
© jsonscraper · tekoälyn luoma kuvitus

Kumppanit tarkoittavat digitaalisella kaksosella potilaan laskennallista esitystä, jossa kliinisiä ja muita tietoja hyödynnetään sairauden etenemisen sekä eri skenaarioiden mahdollisten tulosten mallintamiseen. Tutkimusohjelmaan kuuluu sairauden kulun mallintaminen, tulosten ennustaminen ja kliinisten tutkimusten simulointi. Kyse on suunnitellusta työstä: yrityksen tiedotteessa esiteltiin tutkimuksen tavoitteet, ei valmista järjestelmää tai potilailla tehtyjen tutkimusten tuloksia.

Miksi verrokkiryhmää mallinnetaan

Yksi arvioitavista ajatuksista on, voisivatko tällaiset mallit tukea synteettisiä tai hybridimuotoisia verrokkiryhmiä. Tavallisessa tutkimuksessa verrokkiryhmän avulla hoidon tuloksia verrataan vaihtoehtoiseen tilanteeseen. Synteettisessä verrokkiryhmässä hyödynnetään jo olemassa olevia tietoja, kun taas hybridimuotoisessa ryhmässä nämä tiedot yhdistetään perinteisen verrokkiryhmän tietoihin. Jos lähestymistapa tuottaa luotettavia tuloksia, se voisi mahdollisesti vähentää verrokkiryhmään tarvittavien osallistujien määrää ja auttaa tutkimusten suunnittelussa. Kumppanit aikovat tutkia tätä mahdollisuutta, eivät väitä saavuttaneensa sitä jo.

Kliinisten tutkimusten kehittäjille käytännön mittarina on mallin perustana olevan näytön laatu: kuinka hyvin tiedot vastaavat kohderyhmää, miten ennusteiden ja havaittujen tulosten eroja arvioidaan ja millaisia tarkistuksia tietty sairaus edellyttää. Microsoft ja Boehringer ilmoittivat aikovansa hyödyntää mallintamista, prototyyppien kehittämistä ja näyttöperustan rakentamista useilla sairaus- ja hoitoalueilla, alkaen keuhkoista.

Ensin toteutettavuus, sitten soveltaminen

Kumppanuutta koskevassa tiedotteessa Boehringer Ingelheimin lääketieteellinen johtaja Lykke Hinsch Gylvin korosti erikseen tieteellisen laadun, potilasturvallisuuden ja sääntelyvaatimusten noudattamisen tärkeyttä. Nämä ehdot määrittävät tulevan arvioinnin raamit: digitaalisen kaksosen on osoitettava hyödyllisyytensä tietyssä kliinisessä tilanteessa ja läpäistävä asianmukaiset tarkistukset, ennen kuin sen tulokset voivat vaikuttaa tutkimuksen suunnitteluun.

Yhteistyöhön kuuluu myös datakeskusten ja tietoturvajärjestelmien uudistamista. Yritykset tarkastelevat mahdollisia yhteishankkeita eläinlääketieteellisen terveyden, liiketoimintaprosessien ja teknisen infrastruktuurin alueilla; näiden suuntien yksityiskohtia ei ole vielä kerrottu.

Tässä vaiheessa kyse on tutkimusohjelmasta, ei tavanomaisten kliinisten tutkimusten korvaamisesta. Hankkeen arvo alalle riippuu siitä, pystyykö kliinisiin tietoihin perustuva mallintaminen tuottamaan riittävän todennettavia arvioita, jotka parantavat tutkimusten suunnittelua turvallisuudesta ja näytön vaatimuksista tinkimättä.

Keep readinginDrive, Pony.ai ja NVIDIA selvittävät robottitaksien käynnistämistä Kazakstanissa
Read the next article

Muuta lukemasi toimivaksi integraatioksi

Tutustu jsonscraperin sosiaalisen datan rajapintoihin, testaa pyyntöjä ja rakenna seuraava työnkulkusi.

Tutki API:t