Charles Fisher, Ph.D., CEO & Founder of Unlearn – Interview Series

Charles Fisher, Ph.D., adalah CEO dan Pendiri dari Unlearn, sebuah platform yang memanfaatkan AI untuk mengatasi beberapa hambatan terbesar dalam pengembangan klinis: waktu uji coba yang lama, biaya tinggi, dan hasil yang tidak pasti. Model AI novel mereka menganalisis sejumlah besar data tingkat pasien untuk memprediksi hasil kesehatan pasien. Dengan mengintegrasikan digital twins ke dalam uji coba klinis, Unlearn dapat mempercepat penelitian klinis dan membantu membawa pengobatan baru yang dapat menyelamatkan nyawa ke pasien yang membutuhkan.

Charles adalah seorang ilmuwan dengan minat di bidang fisika, machine learning, dan biologi komputasi. Sebelumnya, Charles bekerja sebagai insinyur machine learning di Leap Motion dan ahli biologi komputasi di Pfizer. Ia adalah Philippe Meyer Fellow di fisika teoretis di École Normale Supérieure di Paris, Prancis, dan ilmuwan postdoctoral di biofisika di Boston University. Charles memegang gelar Ph.D. di biofisika dari Harvard University dan B.S. di biofisika dari University of Michigan.

Anda saat ini berada di minoritas dalam keyakinan dasar bahwa matematika dan komputasi harus menjadi dasar biologi. Bagaimana Anda awalnya mencapai kesimpulan ini?

Itu mungkin hanya karena matematika dan metode komputasi belum cukup ditekankan dalam pendidikan biologi dalam beberapa tahun terakhir, tetapi dari sudut pandang saya, orang-orang mulai mengubah pikiran mereka dan setuju dengan saya. Jaringan neural dalam telah memberi kami sekumpulan alat baru untuk sistem kompleks, dan otomatisasi membantu menciptakan dataset biologis skala besar yang diperlukan. Saya pikir itu tidak dapat dihindari bahwa biologi beralih menjadi lebih seperti ilmu komputasi dalam dekade mendatang.

Bagaimana keyakinan ini kemudian beralih ke meluncurkan Unlearn?

Di masa lalu, banyak metode komputasi dalam biologi telah dianggap sebagai pemecahan masalah mainan atau masalah yang jauh dari aplikasi dalam kedokteran, yang membuatnya sulit untuk menunjukkan nilai nyata. Tujuan kami adalah untuk menciptakan metode baru dalam AI untuk memecahkan masalah dalam kedokteran, tetapi kami juga fokus pada menemukan area, seperti dalam uji coba klinis, di mana kami dapat menunjukkan nilai nyata.

Apakah Anda dapat menjelaskan misi Unlearn untuk menghilangkan trial dan error dalam kedokteran melalui AI?

Hal ini umum dalam teknik untuk merancang dan menguji perangkat menggunakan model komputer sebelum membangun yang sebenarnya. Kami ingin memungkinkan sesuatu yang serupa dalam kedokteran. Bisakah kami mensimulasikan efek pengobatan yang akan diberikan kepada pasien sebelum kami memberikannya kepada mereka? Meskipun saya pikir bidang ini cukup jauh dari itu hari ini, tujuan kami adalah untuk menciptakan teknologi untuk membuatnya memungkinkan.

Bagaimana penggunaan Unlearn dari digital twins dalam uji coba klinis mempercepat proses penelitian dan meningkatkan hasil?

Unlearn menciptakan model AI yang disebut digital twin generators (DTGs) yang menghasilkan digital twins dari peserta uji coba klinis. Setiap digital twin peserta memprediksi apa yang akan terjadi jika mereka menerima plasebo dalam uji coba klinis. Jika DTGs kami sempurna akurat, maka, secara prinsip, uji coba klinis dapat dijalankan tanpa kelompok plasebo. Tetapi dalam praktek, semua model membuat kesalahan, jadi kami bertujuan untuk merancang uji coba acak yang menggunakan kelompok plasebo yang lebih kecil daripada uji coba tradisional. Ini membuatnya lebih mudah untuk mendaftar dalam studi, mempercepat waktu uji coba.

Apakah Anda dapat menjelaskan secara tepat apa itu metode Prognostic Covariate Adjustment (PROCOVA™) yang memenuhi regulasi dari Unlearn?

PROCOVA™ adalah metode pertama yang kami kembangkan yang memungkinkan digital twins peserta digunakan dalam uji coba klinis sehingga hasil uji coba tahan terhadap kesalahan yang mungkin dilakukan model dalam memprediksi. Secara esensial, PROCOVA menggunakan fakta bahwa beberapa peserta dalam studi secara acak ditugaskan ke kelompok plasebo untuk memperbaiki prediksi digital twins menggunakan metode statistik yang disebut covariate adjustment. Ini memungkinkan kami untuk merancang studi yang menggunakan kelompok kontrol yang lebih kecil dari biasanya atau yang memiliki kekuatan statistik yang lebih tinggi sambil memastikan bahwa studi tersebut masih memberikan penilaian yang ketat tentang efikasi pengobatan. Kami juga terus melakukan R&D untuk memperluas garis solusi ini dan memberikan studi yang lebih kuat di masa depan.

Bagaimana Unlearn menyeimbangkan inovasi dengan kepatuhan regulasi dalam pengembangan solusi AI-nya?

Solusi yang ditujukan untuk uji coba klinis umumnya diatur berdasarkan konteks penggunaannya, yang berarti kami dapat mengembangkan beberapa solusi dengan profil risiko yang berbeda yang ditujukan untuk kasus penggunaan yang berbeda. Misalnya, kami mengembangkan PROCOVA karena itu sangat rendah risiko, yang memungkinkan kami untuk mengejar pendapat kualifikasi dari Badan Obat Eropa (EMA) untuk digunakan sebagai analisis utama dalam uji coba klinis fase 2 dan 3 dengan hasil kontinu. Tetapi PROCOVA tidak memanfaatkan semua informasi yang disediakan oleh digital twins yang kami buat untuk peserta uji coba – itu meninggalkan beberapa kinerja di meja untuk selaras dengan pedoman regulasi. Tentu saja, Unlearn ada untuk mendorong batas sehingga kami dapat meluncurkan solusi inovatif yang lebih ditujukan untuk aplikasi dalam studi awal atau analisis post-hoc di mana kami dapat menggunakan metode lain (misalnya, analisis Bayesian) yang memberikan efisiensi yang jauh lebih besar daripada yang kami dapat dengan PROCOVA.

Apa yang telah menjadi beberapa tantangan dan kemajuan terbesar untuk Unlearn dalam menggunakan AI dalam kedokteran?

Tantangan terbesar bagi kami dan siapa pun yang terlibat dalam menerapkan AI untuk masalah dalam kedokteran adalah budaya. Saat ini, sebagian besar peneliti dalam kedokteran khusus tidak sangat familiar dengan AI, dan mereka biasanya salah informasi tentang bagaimana teknologi dasar sebenarnya bekerja. Akibatnya, sebagian besar orang sangat skeptis bahwa AI akan berguna dalam jangka pendek. Saya pikir itu akan berubah secara tidak dapat dihindari dalam beberapa tahun mendatang, tetapi biologi dan kedokteran umumnya tertinggal di belakang sebagian besar bidang lain ketika datang ke adopsi teknologi komputer baru. Kami telah memiliki banyak kemajuan teknologi, tetapi hal-hal paling penting untuk mendapatkan adopsi adalah kemungkinan besar bukti dari regulator atau pelanggan.

Apa visi Anda yang meliputi untuk menggunakan matematika dan komputasi dalam biologi?

 Menurut pendapat saya, kita hanya dapat menyebut sesuatu sebagai “ilmu” jika tujuannya adalah untuk membuat prediksi akurat, kuantitatif tentang hasil eksperimen masa depan. Saat ini, sekitar 90% obat yang memasuki uji coba klinis manusia gagal, biasanya karena mereka tidak benar-benar bekerja. Jadi, kita benar-benar jauh dari membuat prediksi akurat, kuantitatif saat ini ketika datang ke sebagian besar bidang biologi dan kedokteran. Saya tidak pikir itu berubah sampai inti dari disiplin ilmu tersebut berubah – sampai metode matematika dan komputasi menjadi alat penalaran inti biologi. Harapan saya adalah bahwa pekerjaan yang kami lakukan di Unlearn menyoroti nilai dari mengambil pendekatan “AI-first” untuk memecahkan masalah praktis penting dalam penelitian medis, dan peneliti di masa depan dapat mengambil budaya itu dan menerapkannya pada sejumlah masalah yang lebih luas.

Terima kasih atas wawancara yang bagus, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Unlearn.