用于医学研究的数字双胞胎——用计算机模型构建的人类数字表示——的想法在私营和学术部门都受到关注。一些专家表示，借助预测模拟技术，数字双胞胎有可能通过在疾病出现症状之前评估健康风险来改善医疗保健，例如帮助临床医生确定何时（以及是否）进行干预。
未来，医生可以模拟所有可能的治疗对患者数字双胞胎的影响，以确定最有效的疗程，这无疑是雄心勃勃的。这也许就是为什么Unlearn.AI （一家今天宣布在 B 轮融资中筹集了 5000 万美元的初创公司）从临床试验开始的原因。 Unlearn 的数字孪生产品在试验中复制了患者的特征，以实现该公司声称的更小、更快的研究，建立在人工智能和历史数据的结合之上。
“我们使用来自大量先前进行的临床试验的数据。我们的产品不是人工智能模型——它是一项临床试验，”首席执行官查尔斯费舍尔通过电子邮件告诉 TechCrunch。 “（在大流行期间）等待疫苗开发意味着每个记者和最知情的消费者都痛苦地意识到需要在安全地进行临床试验的同时加快临床试验的速度……（虽然）还有其他公司对使用真实世界的数据感兴趣使试验更快或更好，没有直接的竞争对手可以在[后期]临床试验中使用他们的技术。”
Unlearn 由 Fisher、Aaron Smith 和 Jon Walsh 于 2017 年创立，他们都是受过训练的物理学家。三人在 Leap Motion 工作时相识，这家现已倒闭的初创公司为台式机和增强现实耳机开发运动传感器。
Fisher、Smith 和 Walsh 试图创建一种服务，可以处理来自患者的历史临床试验数据集，以构建“特定疾病”机器学习模型，进而可以用来创建具有相应虚拟医疗记录的数字双胞胎。这些数字双胞胎记录将是纵向的——即整合来自不同时间和跨系统的数据——并涵盖人口统计信息、常见测试结果和与临床试验中的实际患者记录相同的生物标志物。
“[我们] 的目的不是加速临床试验——它纯粹是对机器学习的研究。但是 [我] 有制药行业的背景，很快就发现没有对机器学习作为制药开发技术进行投资，”费舍尔说。 （Fisher 以前是辉瑞公司的首席科学家。）“[Unlearn] 通过与制药行业的互动而发展。”
如今，Unlearn 与制药公司、生物技术公司和学术研究人员合作，为临床试验中的每位患者生成数字双胞胎。费舍尔说，在对数字双胞胎得出的结果进行校正后，可以更精确地估计治疗效果。
据报道，Unlearn 的能力足以说服三家公司参与其产品的研究，尽管费舍尔只愿意说出一家：德国达姆施塔特的默克集团（默克公司的一个独立制药实体）。费舍尔表示，默克公司正在使用 Unlearn 将来自数字双胞胎的预后信息纳入其随机对照试验，前者希望这将使较小的对照组成为可能，并产生“适合支持其免疫学管道中的监管决策”的证据。
如果 Unlearn 的数字孪生技术像宣传的那样有效，对于长期以来被迫承受与临床试验相关的高昂成本和后勤挑战的医疗行业来说，这可能是天赐之物。根据约翰霍普金斯大学 2018 年的一项研究， 支持美国食品和药物管理局批准新药的临床试验成本中位数为 1900 万美元。这些临床试验——分多个、几个月的阶段进行——可能会持续数年（ 平均六到七年），并遇到无法预料的障碍，例如缺乏合格的参与者和协议的变化。
但一些研究对数字孪生技术的局限性提出了质疑，例如它对有偏见的数据集的潜在敏感性。最近的一篇论文指出，偏见——例如，由于临床试验数据中黑人患者的代表性不足——可能会影响使用数字双胞胎做出的预测的准确性。
费舍尔对 Unlearn 的技术可能导致决策妥协的观点提出异议，他指出欧洲药品管理局 (EMA) 的一份意见草案表明，数字双胞胎可用于第一阶段和第二阶段药物研究的初步分析。 （EMA 与美国食品和药物管理局的药物部分大致平行。）
“问题是使用这项技术的临床试验是否可能存在偏见。这在数学上是不可能的，”费舍尔说。 “[此外，] Unlearn 仅使用经过加密的数据，无法访问私人信息。”
新资本使 Unlearn 迄今为止筹集的资金总额达到 6985 万美元，该公司打算将其 40 人的员工人数增加一倍，并将业务扩展到新的疾病领域。
“临床试验技术行业存在一个主要问题：制药公司对新技术持怀疑态度，”费舍尔说。 “最大的挑战是建立证据以使他们相信新方法将带来价值，同时仍提供可用于监管过程的证据。”
Insight Partners 参与了 Unlearn 的 B 轮融资，Radical Ventures 和现有投资者 8VC、DCVC、DCVC Bio 和 Mubadala Capital Ventures 也参与了该轮融资。