Umělá inteligence slibuje medicíně hodně. Rychlejší diagnostiku, lepší léky, přesnější předpovědi průběhu nemocí. Jenže naráží na jeden pořádný problém, o kterém se moc nemluví a tím jsou prostě chybící data. Ne vždy, ne všude, ale právě tam, kde by to nejvíc bolelo. U vzácných nemocí, neobvyklých stavů, specifických populací. Co si s tím teda počít?
Newjorský startup Mantis Biotech přišel s odpovědí, která zní trochu jako sci-fi, ale funguje překvapivě efektivně. Buduje virtuální kopie lidského těla, takzvané digitální dvojníky, na nichž lze testovat scénáře, které v reálném světě buď neexistují, nebo jsou eticky nedostupné.
Jak se staví člověk z dat
Platforma Mantisu nejprve posbírá data odkudkoli, kde se dají sehnat. Učebnice, záznamy z pohybových kamer, biometrické senzory, tréninkové záznamy, lékařské zobrazování. Z toho všeho pak pomocí velkého jazykového modelu vytvoří konzistentní datový základ, který putuje do fyzikálního simulačního jádra. Výsledkem jsou věrné modely lidské anatomie a fyziologie, na nichž lze spouštět prediktivní analýzy.
Fyzikální vrstva je tady klíčová. Bez ní by šlo jen o statická data. Díky ní platforma dokáže generovat zcela nové scénáře, třeba odhadnout pohyb ruky u člověka, kterému chybí prst. Takový dataset by v reálném světě nešlo sestavit, veřejně dostupné záznamy jednoduše neexistují. Mantis ho vygeneruje za pár sekund. CEO a zakladatelka Georgia Witchel to vysvětlila TechCrunchu slovy: „Vezmeme fyzikální model, řekneme mu odstraň prst X, přegeneruj model a hotovo."
Je to trochu jako hrát si s panenkou. Witchel sama použila přirovnání ke tříletnému dítěti, které drží Barbie za nohu a bouchá s ní o stůl. Přesně takhle chce, aby vědci a lékaři přistupovali k digitálním dvojníkům. Bez obav, bez zábran. Testovat, lámat, zkoušet.
Od NBA ke vzácným nemocem
Mantis zatím nejlépe uspěl ve sportu. Jeden z hlavních zákazníků je tým NBA. A dává to smysl. Profesionální sport generuje obrovské množství dat o výkonu a na jejich základě lze stavět přesné modely. Digitální dvojník sportovce sleduje každý skok za celý rok, porovnává ho s délkou spánku, četností přetěžování ramen, tréninkovou zátěží. Výsledkem je předpověď, kdy hrozí zranění Achillovy šlachy. Ještě předtím, než se projeví.
To je přesně ten typ predikce, který sportovní medicína léta hledá. A podobná logika se dá přenést do nemocnic. Vzácné nemoci trpí chronickým nedostatkem dat. Pacienti jsou, ale je jich málo. Etická omezení brání jejich zapojení do tréninkových datových sad. Mantis tento problém obchází elegantně: virtuální pacienti neporušují ničí soukromí, ale simulují reálné fyziologické procesy.
Věda za projektem
Výzkumný dokument zveřejněný společností popisuje, jak fyzikálně podložená syntetická data dokážou zlepšit přesnost prediktivních modelů. Konkrétní příklad pochází z oblasti pandemického modelování, kde platforma pracuje s SEIR kompartmentovým modelem, klasickým nástrojem epidemiologie.
Výsledky jsou zajímavé: kombinace fyzikální simulace a textu generovaného jazykovým modelem zlepšila přesnost předpovědí o více než osm procentních bodů oproti tréninku na samotných reálných datech. Zkouška ale zároveň odhalila jedno důležité upozornění: čísla a text musí být vzájemně konzistentní. Jakmile se fyzikálně simulovaná čísla spárují s nesouvisejícím textovým kontextem, model se zmátne a výsledky se prudce zhorší. Mantis tento problém vyřešil souběžným generováním obou složek.
7,4 milionu $ a velké plány
Startup nedávno uzavřel počáteční investiční kolo ve výši 7,4 milionu dolarů. Peníze poputují do náboru, marketingu a rozvoje obchodní strategie.
Witchel, které je teprve čtyřiadvacet let, má jasnou vizi. Sport je odrazový můstek, ale cílem je preventivní zdravotní péče pro veřejnost a spolupráce s farmaceutickými laboratořemi na klinických studiích. Platforma by mohla pomoci odhadnout, jak pacienti reagují na léčbu, ještě před zahájením reálných pokusů. To by zrychlilo schvalovací procesy u nových léků a snížilo náklady na výzkum.
Witchel se otázce soukromí nevyhýbá, naopak ji staví do středu své argumentace. Digitální dvojníci nejsou jen náhrada chybějících dat, jsou způsob, jak výzkum provádět bez toho, aby bylo nutné sahat na skutečná citlivá data pacientů. Žádné krádeže údajů, žádné nejasné souhlasy, žádné šedé zóny.
Zda bude tento přístup v praxi fungovat tak hladce, jak firma tvrdí, ukáže čas.
