Udvidelse til nye sundhedsmarkeder: Medicinsk AI får stadig større betydning

Kunstig intelligens i medicin forbindes oftest med at opdage afvigelser på medicinske billeder, analysere testresultater og hjælpe læger med at stille diagnoser. Men på det seneste er jeg stødt på flere og flere fremskridt, der rækker langt ud over disse anvendelser og udfordrer vores forestillinger om, hvad medicinsk teknologi kan udrette. Nogle er så ambitiøse, at deres potentielle indvirkning kan række langt ud over sundhedsområdet, påvirke helt andre dele af vores liv og give anledning til nye teknologier, forretningsmodeller og endda markeder, der endnu ikke findes.

Hvorfor sjældne sygdomme bliver attraktive for nystartede virksomheder inden for medicin

Et af de mest interessante områder, jeg har fulgt på det seneste, er udvikling af lægemidler – søgningen efter og udviklingen af nye lægemiddelforbindelser ved hjælp af beregningsmetoder og kunstig intelligens. DeepMinds arbejde med AlphaFold har spillet en central rolle i udviklingen af dette felt. Databasen med mere end 200 millioner forudsagte proteinstrukturer har givet forskere et væld af oplysninger, de kan bruge til at undersøge potentielle molekylære interaktioner, og har også åbnet nye muligheder for nystartede virksomheder, der retter sig mod specifikke sygdomme.

Forestil dig, at nogen vil starte en virksomhed for at udvikle en behandling mod en relativt sjælden sygdom, der kun rammer en lille andel af kvinder i en bestemt aldersgruppe. Det første spørgsmål er: Hvorfor satse på et så begrænset marked, når man kunne gå efter en langt mere almindelig sygdom? Men selv efter at have indsnævret verdens befolkning til denne specifikke gruppe kan der stadig være tusindvis af potentielle patienter. Og hvis behandlingen kræver, at patienterne tager medicin hver dag i ti år eller resten af livet, kan selv denne relativt lille patientgruppe udgøre et betydeligt marked.

En kommercielt levedygtig lægemiddelvirksomhed behøver ikke nødvendigvis titusindvis af millioner kunder. Der er selvfølgelig en enorm forskel på at anslå et potentielt marked og at skabe faktiske indtægter, blandt andet på grund af omkostningerne til forskning, kliniske forsøg, fremstilling og myndighedsgodkendelse. Alligevel kan en nystartet virksomhed fokusere på én enkelt sygdom, der ikke får tilstrækkelig opmærksomhed, og opbygge et helt forskningsprogram omkring den.

Recursion Pharmaceuticals er for eksempel en amerikansk bioteknologivirksomhed, der udvikler AI-baserede behandlinger af sygdomme med et stort udækket behandlingsbehov. En af virksomhedens lægemiddelkandidater, REC-4881, er rettet mod familiær adenomatøs polypose, en sjælden arvelig sygdom, der anslås at ramme 50.000 mennesker i USA og fem større europæiske lande. Virksomheden har rapporteret opmuntrende resultater fra et fase 1b/2-forsøg, herunder en reduktion i unormale vækster i vævet hos patienterne.

Virtuelle laboratorier som en ny forretningsmodel

Det er en reel udfordring at finde et molekyle, der kan rette sig mod et protein, som er forbundet med en bestemt sygdom. Det kræver, at enorme mængder kemiske forbindelser screenes for at finde dem, der kan binde sig til målproteinet, ændre dets aktivitet eller påvirke relaterede biologiske processer. Det er ikke kun den kemiske sammensætning, der har betydning. Hvert molekyles tredimensionelle struktur spiller en afgørende rolle for, hvordan disse interaktioner finder sted.

Det er praktisk talt umuligt at afprøve alle tænkelige kombinationer i et fysisk laboratorium. Selv med betydelige økonomiske ressourcer ville det tage alt for lang tid at gennemføre så mange eksperimenter. Derfor flyttes dele af forskningsprocessen over i virtuelle miljøer, hvor beregningsmodeller og simuleringer kan forudsige molekylære interaktioner og udpege de mest lovende forbindelser til videre afprøvning. Denne tilgang mindsker antallet af nødvendige laboratorieforsøg, men forudsigelserne skal stadig valideres ved fysiske forsøg.

Der opstår et helt økosystem af nystartede virksomheder med forskellige forretningsmodeller omkring disse teknologier. Nogle bygger infrastruktur til molekylær simulering og stiller den til rådighed for medicinalvirksomheder og forskergrupper. Andre bruger eksisterende værktøjer til at udvikle deres egne lægemiddelkandidater. Det er et interessant eksempel på, hvordan ét teknologisk fremskridt kan skabe forretningsmuligheder på flere niveauer af markedet. En virksomhed kan opbygge en kommercielt succesfuld forretning uden nogensinde selv at lancere et lægemiddel på markedet, hvis dens teknologi viser sig at være værdifuld for andre udviklere.

Isomorphic Labs er et godt eksempel på en virksomhed, der udvikler AI-teknologier til lægemiddeludvikling og molekylært design. Virksomheden har indgået forskningspartnerskaber med Novartis og Eli Lilly og udvidede sit samarbejde med Novartis i 2025, så det også omfatter yderligere programmer for lægemiddeludvikling. Det viser, hvordan den teknologi, der bruges til at opdage og designe molekyler, i sig selv kan danne grundlag for en virksomhed, der samarbejder med store medicinalvirksomheder.

En skræddersyet pille på tyve minutter

Nogle nystartede virksomheder går endnu videre med idéen om lægemiddeludvikling. For nylig mødte jeg et team, der arbejder med teknologier inden for hudkræft. De er interesserede i at identificere genetiske anlæg for sygdommen og undersøge mulighederne for at behandle den på DNA-niveau. I stedet for at udvikle et lægemiddel til en bred patientgruppe undersøger de, om behandlinger kan tilpasses den enkelte patients genetiske profil.

Grundlæggerne beskrev en særdeles ambitiøs vision for fremtiden. Forestil dig, at du går ind på en klinik, afleverer en spytprøve og får en enhed til at analysere dit DNA og fremstille et lægemiddel, der er skræddersyet til dig. Ifølge deres vision kunne hele processen en dag tage omkring tyve minutter og koste helt ned til 100 dollars. Det er selvfølgelig stadig en teknologisk ambition og ikke en tilgængelig sundhedsydelse, og det vil kræve, at enorme videnskabelige, produktionsmæssige og regulatoriske udfordringer overvindes, før den kan blive til virkelighed.

Samtaler som denne viser dog, hvor meget ambitionerne hos iværksættere inden for sundhedssektoren er under forandring. I stedet for blot at forbedre eksisterende diagnostiske procedurer spørger de, om selve processen med at udvikle behandlinger kan gentænkes grundlæggende. Jeg synes, det er fascinerende, hvordan fremskridt inden for beregningsteknologi får grundlæggere til at genoverveje processer, der stort set har været uændrede i årtier.

Hvorfor startups inden for kirurgisk robotteknologi ofte arbejder med henblik på at blive opkøbt

Mens beregningsteknologier gør det muligt for små teams at udforske et enormt antal muligheder inden for lægemiddeludvikling, kræver kirurgisk robotteknologi et helt andet niveau af ressourcer. Det kræver avanceret maskinteknik, præcis bevægelsesstyring, omfattende afprøvning og adgang til kliniske miljøer at bygge et system, der kan udføre kirurgiske indgreb. Det kan tage ti til femten år at udvikle en pålidelig robotkirurgisk arm, mens en enkelt installation kan koste millioner af dollars. Den potentielle kundekreds er også begrænset, og producenterne skal levere vedligeholdelse og teknisk support i årevis. For en lille startup gør det kirurgisk robotteknologi til en usædvanligt kompleks og kapitalintensiv forretning.

Derfor tilrettelægger nogle teams deres strategi med henblik på på sigt at blive opkøbt af en stor virksomhed inden for medicinsk teknologi. Målet er at udvikle et overbevisende teknologisk koncept og demonstrere dets potentiale. En startup kan for eksempel bygge en prototype på en robotarm, der kan udføre visse indgreb på en medicinsk træningsdukke, selv om den er langt fra klar til at blive brugt på en rigtig patient. Samtidig engagerer teamet sig aktivt med investorer, deltager i branchekonferencer og opbygger relationer til potentielle virksomhedskøbere, sådan som vi ofte ser det, når vi arbejder med medicinske arrangementer hos Scryon. I bund og grund forsøger de at sælge løftet om en teknologi, før den er blevet til et færdigt produkt.

Til at begynde med syntes jeg, at denne tilgang var ret mærkelig. Hvorfor udvikle medicinsk udstyr, hvis man ikke har til hensigt selv at bringe det på markedet? Men der ligger en forretningsmæssig logik bag. Et lille team kan have talentfulde ingeniører og en lovende idé, men mangle ressourcerne til årelang afprøvning, adgang til hospitaler og produktion i stor skala. En stor virksomhed kan stille den infrastruktur til rådighed ved at opkøbe startupvirksomheden på et relativt tidligt stadie.

Denne strategi viser, hvordan små teams og store virksomheder kan supplere hinanden: Den ene part fokuserer på at udvikle og afprøve nye idéer, mens den anden har ressourcerne til at omsætte dem til brugbare medicinske produkter. Og en virksomheds størrelse afspejler ikke nødvendigvis, hvor komplekst arbejdet bag dens teknologi er. 

Jeg har selv oplevet dette gennem projekter hos Keymakr, hvor vi har arbejdet med udviklere fra små startups til en af verdens førende producenter af medicinsk udstyr. Uanset virksomhedens størrelse kræver disse projekter et grundigt arbejde med at finjustere algoritmer, klargøre medicinske datasæt og kontrollere, at annoteringerne er nøjagtige i forhold til de kliniske krav. 

Ud over den oprindelige idé

Enhver virksomhed, der undersøger en bestemt biologisk mekanisme, kan en dag udvikle en teknologi, der forandrer helt uvedkommende brancher. Det kan få vidtrækkende konsekvenser, helt op til og med radikale forlængelser af levetiden og en fuldstændig forandring af det samfund, vi kender.

Måske er det netop dette, der fascinerer mig mest ved medicinske startups i dag. Ved hjælp af AI tager små teams fat på udfordringer, som indtil for nylig ville have krævet ressourcerne fra store virksomheder, og de griber dem ofte an fra uventede vinkler. Mange af disse idéer bliver aldrig ført ud i livet, men iværksættere behøver ikke nødvendigvis på forhånd at vide, hvor stort et marked en succesfuld teknologi på sigt kan skabe. Nogle gange opstår de mest interessante muligheder først, når det oprindelige videnskabelige problem er blevet løst.