Umělé 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 snižovat 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 v průběhu času pomalejším a nákladnějším. Ve skutečnosti pouze jeden ze sedmi léků, které vstupují do fáze I studií – první fáze testování bezpečnosti – je nakonec schválen. V současné době to stojí, v průměru, téměř miliardu dolarů ve financování a deset let práce, aby se na trh dostala jedna nová léčivá látka.

Půl této doby a peněz se vynakládá na klinické studie, které čelí rostoucím překážkám, včetně neefektivních náborů, omezené diverzity a nedostupnosti pacientů. V důsledku toho se zpomaluje objevování léků a náklady pokračují v růstu. Naštěstí recentní pokroky v oblasti Umělé inteligence mají potenciál prolomit tuto tendenci a transformovat vývoj léků k lepšímu.

Od modelů, které předpovídají komplexní interakce proteinů s pozoruhodnou přesností, až po AI-poháněné laboratorní asistenty, kteří zjednodušují 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 BioPharmu, a otevřít cestu 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 U.S. Food and Drug Administration (FDA). V důsledku toho mnoho experimentálních léků nikdy nedosáhne trhu. Mezi klíčové výzvy patří problémy s návrhem studií, nízká náborová aktivita a omezená dostupnost a diverzita pacientů – problémy, které se navzájem prohlubují a brání pokroku a rovnosti ve vývoji léků.

1. Výzvy při výběru místa studie

Úspěch klinické studie závisí do značné míry na tom, zda místa studie – obvykle nemocnice nebo výzkumná centra – mohou náborovat a zapsat dostatečné množství způsobilých účastníků studie. Výběr místa je tradičně založen na několika se překrývajících faktorech, včetně historického výkonu v předchozích studiích, místních pacientů a demografických údajů, výzkumných schopností a infrastruktury, dostupného výzkumného personálu, délky náborového období a dalších.

Samotný každý kritérium je poměrně přímočaré, ale proces shromažďování dat kolem každého z nich je doprovázen výzvami a výsledky nemusí spolehlivě indikovat, zda je místo vhodné pro studii. V některých případech mohou být data jednoduše zastaralá nebo neúplná, zejména pokud jsou validována pouze na malém vzorku studií.

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

Takže, jak může umělá inteligence pomoci při výběru místa studie?

Školením AI modelů s historickými a reálnými daty potenciálních míst mohou sponzoři studie předpovídat míru náboru pacientů a výkon místa – optimalizovat přidělování míst, snižovat nadměrný nebo nedostatečný nábor a zlepšovat 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 školené s mixem metadata klinických studií, lékařských a lékových dat a pacientských dat z členství (primární péče) mohou také pomoci identifikovat místa klinických studií, která poskytnou přístup k různorodým, relevantním pacientským populacím. Tato místa mohou být centrálně umístěna pro nedostatečně zastoupené skupiny nebo se mohou nacházet v oblíbených místech ve společenství, jako jsou holičství, nebo víry a komunitní centra, což pomáhá řešit jak bariéry dostupnosti pacientů, tak nedostatek diverzity.

2. Nízká náborová aktivita

Nábor pacientů zůstává jednou z největších překážek klinických studií, spotřebovávající až jednu třetinu délky studie. Ve skutečnosti jedna ze pěti studií selže při náboru požadovaného počtu účastníků. Jak studie jsou komplexnější – s dalšími kontakty s pacienty, přísnějšími kritérii pro zařazení a vyloučení a stále sofistikovanějšími návrhy studií – výzvy náboru pokračují v růstu. Není proto překvapující, že výzkum spojuje růst složitosti protokolu se snižujícími se sazbami náboru a údržby pacientů.

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

Umělá inteligence je připravena optimalizovat kritéria způsobilosti a nábor pacientů. Zatímco nábor tradičně vyžaduje, 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 vzorce ve velkých 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 na velké škále a pomáhá předpovídat způsobilost pacientů, snižuje čas potřebný pro screening 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 zahájení studií dříve a poskytující pacientům dříve přístup k novým experimentálním léčbám.

3. Dostupnost pacientů a omezená diverzita

Umělá inteligence může hrát kritickou roli při zlepšování přístupu k klinickým studiím, zejména pro pacienty z nedostatečně zastoupených demografických skupin. To je důležité, protože nedostupnost a omezená diverzita přispívají nejen 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 z práce, zhoršují bariéry účasti ve studiích a jsou více patrná u etnických a rasových menšin a skupin s nižším socioekonomickým statusem.

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

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

Umělá inteligence může pomoci sponzorům klinických studií řešit tyto výzvy tím, že usnadní decentralizované studie – přemístění činností studie do vzdálených a alternativních lokalit, místo shromažďování dat na tradičním místě klinické studie.

Decentralizované studie často využívají nositelné zařízení, které shromažďují data digitálně a používají AI-poháněnou analytiku pro souhrn relevantních anonymizovaných informací o účastnících studie. Kombinace s elektronickými kontrolami může tento hybridní přístup k provádění klinických studií eliminovat geografické bariéry a dopravní zátěže, což umožňuje přístup k širšímu spektru pacientů.

Chytrější studie znamenají chytrější léčby

Klinické studie jsou dalším sektorem, který má potenciál být transformován umělou inteligencí. S její schopností analyzovat velké datové sady, identifikovat vzorce a automatizovat procesy může umělá inteligence poskytnout komplexní a robustní řešení dnešních překážek – optimalizaci návrhu studie, zlepšení diverzity pacientů, zefektivnění náboru a údržby a prolomení bariér dostupnosti.

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