Umělá inteligence: řešení největších výzev klinických studií

Moderní medicína je zázrakem, s dříve nepředstavitelnými léky a léčebnými postupy, které jsou nyní široce dostupné. Zvažte pokročilá lékařská zařízení, jako jsou implantabilní kardiovertory-defibrilátory, které pomáhají regulovat srdeční rytmus a snižují riziko srdečního selhání.

Takové průlomy by nebyly možné bez klinických studií – přísného výzkumu, který hodnotí účinky lékařských zásahů na lidské účastníky.

Bohužel, proces klinických studií se stal pomalejším a dražším s časem. Ve skutečnosti je pouze jeden ze sedmi léků, které vstupují do fáze I – první fáze testování bezpečnosti – nakonec schválen. V současné době to stojí v průměru téměř miliardu dolarů a deset let práce, aby se nový léčivý přípravek dostal na trh.

Půl této doby a peněz se vynakládá na klinické studie, které čelí rostoucím překážkám, včetně neefektivního náboru, omezené rozmanitosti a nedostupnosti pacientů. V důsledku toho se zpomaluje objevování nových léků a náklady pokračují ve vzestupu. Naštěstí recentní pokroky v oblasti umělé inteligence mají potenciál tento trend zlomit a transformovat vývoj léků k lepšímu.

Od modelů, které předpovídají komplexní interakce proteinů s pozoruhodnou přesností, až po AI-poháněné laboratorní asistenty, kteří zefektivňují rutinní úkoly, inovace poháněná umělou inteligencí již mění farmaceutický krajinný obraz. Přijetí nových AI schopností pro řešení překážek klinických studií může zlepšit proces studie pro pacienty, lékaře a farmaceutické společnosti, čímž se otevře cesta pro nové účinné léky a potenciálně lepší zdravotní výsledky pro pacienty.

Překážky ve vývoji léků

Léky ve vývoji čelí mnoha výzvám během procesu klinických studií, což vede k alarmujícím nízkým schvalovacím sazbám ze strany regulačních orgánů, jako je FDA. V důsledku toho mnoho experimentálních léků nikdy nedosáhne trhu. Mezi klíčové výzvy patří problémy s designem studie, nízký nábor pacientů a omezená dostupnost a rozmanitost pacientů – problémy, které se navzájem prohlubují a brání pokroku a rovnosti ve vývoji léků.

1. Výzvy při výběru míst klinických studií

Úspěch klinické studie závisí do značné míry na tom, zda místa studie – obvykle nemocnice nebo výzkumná centra – mohou najmout a zapsat dostatečný počet způsobilých účastníků. Výběr místa je tradičně založen na několika překrývajících se faktorech, včetně historického výkonu v předchozích studiích, místního pacientského obyvatelstva a demografie, výzkumných možností a infrastruktury, dostupného výzkumného personálu, délky náborového období a dalších.

Sám o sobě je každý kritérium poměrně přímočaré, ale proces shromažďování dat kolem něj je plný výzev a výsledky nemusí spolehlivě ukazovat, zda je místo vhodné pro studii. V některých případech mohou být data jednoduše zastaralá nebo neúplná, zejména pokud jsou ověřena pouze na malém vzorku studií.

Data, která pomáhají určit výběr místa, pocházejí z různých zdrojů, jako jsou interní databáze, předplatitelské služby, dodavatelé nebo organizace pro klinické studie, které poskytují služby klinického výzkumu. S tolik současnými faktory může být agregace a hodnocení této informace matoucí a složitá, což v některých případech může vést k nepřesným rozhodnutím o místech studie. V důsledku toho mohou sponzoři – organizace, které provádějí klinickou studii – přecenit nebo podcenit svou schopnost najmout pacienty do studií, což vede k plýtvání zdroji, zpožděním a nízkým údržbám.

Jak tedy může umělá inteligence pomoci při výběru míst studie?

Pomocí trénování AI modelů s historickými a reálnými daty potenciálních míst mohou sponzoři studie předpovídat míru náboru pacientů a výkon místa – optimalizují alokaci míst, snižují nadměrný nebo nedostatečný nábor a zlepšují celkovou efektivitu a náklady. Tyto modely mohou také řadit potenciální místa podle identifikace nejlepší kombinace atributů místa a faktorů, které odpovídají cílům studie a strategiím náboru.

AI modely vyškolené s mixem metadata klinických studií, zdravotních a lékových dat a pacientských dat z členství (primární péče) mohou také pomoci identifikovat místa klinických studií, která poskytnou přístup k rozmanité, relevantní populaci pacientů. Tato místa mohou být centrálně umístěna pro nedostatečně zastoupené skupiny nebo se mohou nacházet v oblíbených místech ve společnosti, jako jsou holičství, nebo víry založené a komunitní centra, což pomáhá řešit jak bariéry dostupnosti pacientů, tak nedostatek rozmanitosti.

2. Nízký nábor pacientů

Nábor pacientů zůstává jednou z největších překážek klinických studií, spotřebovávající až jednu třetinu délky studie. Ve skutečnosti jedna z pěti studií selže při náboru požadovaného počtu účastníků. Jak studie rostou ve složitosti – s dalšími body kontaktu pacientů, přísnějšími kritérii pro zařazení a vyloučení a stále sofistikovanějšími designy studie – výzvy náboru pokračují v růstu. Není překvapivé, že výzkum spojuje růst složitosti protokolu se snižující se náborovou a údržbovou sazbou pacientů.

<p Navíc přísná a často složitá kritéria způsobilosti, navržená k zajištění bezpečnosti účastníků a integrity studie, často omezují přístup k léčbě a nesmírně vylučují určité populace pacientů, včetně starších dospělých a menšin etnických, rasových a genderových. V onkologických studiích samotných je odhadováno, že 17–21% pacientů nemůže být zařazeno do studie kvůli restriktivním kritériím způsobilosti.

Umělá inteligence je připravena optimalizovat kritéria způsobilosti pacientů a nábor. Zatímco nábor tradičně vyžadoval, aby lékaři ručně procházeli pacienty – což je neuvěřitelně časově náročné – umělá inteligence může efektivně a účinně párovat profily pacientů s vhodnými studiemi.

Například algoritmy strojového učení mohou automaticky identifikovat významné vzory v rozsáhlých datech, jako jsou elektronické zdravotní záznamy a lékařská literatura, aby zlepšily efektivitu náboru pacientů. Výzkumníci dokonce vyvinuli nástroj, který používá velké jazykové modely pro rychlé přezkoumání kandidátů v rozsáhlém měřítku a pomáhá předpovídat způsobilost pacientů, snižuje čas screeningu pacientů o více než 40%.

Společnosti zdravotnické technologie, které přijímají umělou inteligenci, také vyvíjejí nástroje, které pomáhají lékařům rychle a přesně určit způsobilé studie pro pacienty. To podporuje urychlení náboru, potenciálně umožňující studiím začít dříve a poskytující pacientům dříve přístup k novým experimentálním léčbám.

3. Dostupnost pacientů a omezená rozmanitost

Umělá inteligence může sehrát kritickou roli při zlepšování přístupu k klinickým studiím, zejména pro pacienty z nedostatečně zastoupených demografických skupin. To je důležité, protože nedostupnost a omezená rozmanitost nejen přispívají k nízkým sazbám náboru a údržby pacientů, ale také vedou k nerovnému vývoji léků.

Zvažte, že místa klinických studií jsou obecně seskupena v městských oblastech a velkých akademických centrech. Výsledkem je, že komunity v venkovských nebo zanedbaných oblastech často nemohou získat přístup k těmto studiím. Finanční břemena, jako jsou náklady na léčbu, dopravu, péči o děti a náklady na absenci v práci, se prohlubují u etnických a rasových menšin a skupin s nižším socioekonomickým statusem.

V důsledku toho etnické a rasové menšinové skupiny představují pouze 2% pacientů v klinických studiích v USA, ačkoli tvoří 39% národní populace. Tento nedostatek rozmanitosti představuje významné riziko ve vztahu k genetice, které se liší napříč etnickými a rasovými populacemi a mohou ovlivňovat nežádoucí reakce na léky. Například Asiaté, Latinskoameričané a Afroameričané s fibrilací síní (abnormální srdeční rytmy související se srdečními komplikacemi), kteří užívají warfarin, lék, který brání tvorbě krevních sraženin, mají vyšší riziko mozkových krvácení ve srovnání s těmi evropského původu.

Větší reprezentace v klinických studiích je proto nezbytná pro pomoc výzkumníkům vyvinout léčby, které jsou účinné a bezpečné pro rozmanité populace, zajišťující, že pokroky v medicíně budou prospěšné pro všechny – nejen pro vybrané demografické skupiny.

Umělá inteligence může pomoci sponzorům klinických studií řešit tyto výzvy tím, že usnadňuje decentralizované studie – přemístění aktivit studie do vzdálených a alternativních lokalit, spíše než shromažďování dat v tradičním místě klinické studie.

Decentralizované studie často využívají nositelné zařízení, které shromažďují data digitálně a používají analytiku poháněnou umělou inteligencí k souhrnu relevantních anonymizovaných informací o účastnících studie. Kombinované s elektronickými kontrolami, tento hybridní přístup k provedení klinické studie může eliminovat geografické bariéry a dopravní břemena, činí studie dostupnějšími pro širší spektrum pacientů.

Chytré studie vytvářejí chytré léčby

Klinické studie jsou další oblastí, která má potenciál být transformována umělou inteligencí. S její schopností analyzovat rozsáhlá data, identifikovat vzory a automatizovat procesy, umělá inteligence může poskytnout komplexní a robustní řešení dnešních překážek – optimalizaci designu studie, zlepšení rozmanitosti pacientů, zefektivnění náboru a údržby a rozbití bariér dostupnosti.

Pokud zdravotnický průmysl bude pokračovat v přijímání AI poháněných řešení, budoucnost klinických studií má potenciál stát se více inkluzivní, pacient-středěnou a inovativní. Přijetí těchto technologií není jen o tom, aby se držely moderních trendů – je to o vytvoření klinického výzkumného ekosystému, který urychluje vývoj léků a poskytuje více rovné zdravotní výsledky pro všechny.