Kunstig Intelligens: Til at Tackle Clinical Trials’ Største Udfordringer

Moderne medicin er et vidunder, med tidligere utænkelige kur og behandlinger, der nu er bredt tilgængelige. Tænk på avancerede medicinske enheder såsom implantable defibrillatorer, der hjælper med at regulere hjerterytmen og reducere risikoen for hjertestop.

Sådanne gennembrud ville ikke have været mulige uden kliniske forsøg – den strenge forskning, der vurderer effekten af medicinske indgreb på menneskelige deltagere.

Desværre er kliniske forsøgsprocessen blevet langsommere og mere dyrt over tid. Faktisk er det kun en af syv lægemidler, der indgår i fase I-forsøg – den første testningsfase for sikkerhed – der til sidst bliver godkendt. Det tager i gennemsnit næsten en milliard dollars i finansiering og et årti af arbejde at bringe et nyt lægemiddel til markedet.

Halvdelen af denne tid og penge bliver brugt på kliniske forsøg, som står over for væoksende hindringer, herunder rekrutteringsineffektivitet, begrænset diversitet og patientutilgængelighed. Derved langsommes lægemiddelforskning, og omkostningerne fortsætter med at stige. Heldigvis har de seneste fremskridt i kunstig intelligens potentialet til at bryde trenden og forvandle lægemiddeludvikling til det bedre.

Fra modeller, der forudser komplekse proteininteraktioner med bemærkelsesværdig præcision, til AI-drevne laboratorieassistenter, der strømliner rutineopgaver, er AI-dreven innovation allerede i gang med at omforme det farmaceutiske landskab. At antage nye AI-kapaciteter til at tackle kliniske forsøgsbarrierer kan forbedre forsøgsprocessen for patienter, læger og BioPharma, og baner vejen for nye effektive lægemidler og potentiale bedre sundhedsresultater for patienter.

Barrierer for Lægemiddeludvikling

Lægemidler under udvikling står over for mange udfordringer under den kliniske forsøgsproces, hvilket resulterer i alarmende lave godkendelsesrater fra reguleringssystemer som det amerikanske Food and Drug Administration (FDA). Som følge heraf når mange undersøgelseslægemidler aldrig markedet. Nøgleudfordringer omfatter forsøgsdesignsæt tilbage, lav patientrekruttering og begrænset patienttilgængelighed og diversitet – problemer, der forværres og hindrer fremgang og lighed i lægemiddeludvikling.

1. Udfordringer med Valg af Forsøgssteder

Succesen af et klinisk forsøg afhænger i høj grad af, om forsøgsstederne – typisk hospitaler eller forskningscentre – kan rekruttere og indskrive tilstrækkeligt berettiget studiepopulation. Stedsvælget baseres traditionelt på flere overlappende faktorer, herunder historisk præstation i tidligere forsøg, lokal patientpopulation og demografi, forskningskapacitet og infrastruktur, tilgængelig forskningspersonale, varighed af rekrutteringsperioden og mere.

På sig selv er hver kriterium ret enkelt, men processen med at indsamle data omkring hver er fyldt med udfordringer, og resultaterne kan ikke nødvendigvis pålideligt indikere, om stedet er egnet til forsøget. I nogle tilfælde kan data blot være forældet eller ufuldstændigt, især hvis det er valideret på kun et lille udvalg af studier.

Data, der hjælper med at bestemme stedsvælget, kommer også fra forskellige kilder, såsom interne databaser, abonnementservice, leverandører eller Contract Research Organizations, der tilbyder kliniske forsøgsledelsesservice. Med så mange konvergerende faktorer kan det være forvirrende og indviklet at aggregere og vurdere denne information, hvilket i nogle tilfælde kan føre til underoptimalt valg af forsøgssteder. Som følge heraf kan sponsorerne – organisationerne, der udfører det kliniske forsøg – over- eller undervurdere deres evne til at rekruttere patienter i forsøg, hvilket fører til spild af ressourcer, forsinkelser og lave tilbageholdelsesrater.

Så, hvordan kan AI hjælpe med at kurere valg af forsøgssteder?

Ved at træne AI-modeller med historisk og realtidsdata fra potentielle steder kan forsøgssponsorerne forudse patientindskrivningsrater og et steds præstation – optimering af stedstildeling, reduktion af over- eller underindskrivning og forbedring af den overordnede effektivitet og omkostning. Disse modeller kan også rangere potentielle steder ved at identificere den bedste kombination af stedattributter og faktorer, der er i overensstemmelse med studiemål og rekrutteringsstrategier.

AI-modeller, der er trænet med en blanding af kliniske forsøgs-metadata, medicinske og apotekskravdata og patientdata fra medlemskab (primær sundheds-service), kan også hjælpe med at identificere kliniske forsøgssteder, der vil give adgang til diverse, relevante patientpopulationer. Disse steder kan være centralt beliggende for underrepræsenterede grupper eller endda finde sted i populære steder i samfundet, såsom frisører, eller fællesskabs- og kirkecentre, og hjælpe med at tackle både barrierer for patientadgang og manglende diversitet.

2. Lav Patientrekruttering

Patientrekruttering er stadig en af de største flaskehalse i kliniske forsøg, og det kan koste op til en tredjedel af en studies varighed. Faktisk en ud af fem forsøg mislykkes med at rekruttere det nødvendige antal deltagere. Da forsøg bliver mere komplekse – med flere patientkontaktpunkter, strengere inklusions- og eksklusionskriterier og stadig mere sofistikerede studie-design – vokser rekrutteringsudfordringerne.

Dertil kommer, at strenge og ofte komplekse berettigelseskriterier, der er designet til at sikre deltager sikkerhed og studieintegritet, ofte begrænser adgangen til behandling og udelukker bestemte patientpopulationer, herunder ældre voksne og raciale, etniske og kønsminoriteter. I onkologiske forsøg alene er det estimeret, at 17–21% af patienterne ikke kan deltage på grund af restriktive berettigelseskrav.

AI er parat til at optimere patientberettigelseskriterier og rekruttering. Mens rekruttering traditionelt har krævet, at læger manuelt skærmer patienter – hvilket er utrolig tidskrævende – kan AI effektivt og effektivt matche patientprofiler mod passende forsøg.

For eksempel kan maskinlæringsalgoritmer automatisk identificere meningsfulde mønstre i store datasets, såsom elektroniske patientjournaler og medicinsk litteratur, for at forbedre patientrekrutteringseffektiviteten. Forskere har endda udviklet et værktøj, der bruger store sprogmodeller til at hurtigt gennemgå kandidater i stor skala og hjælpe med at forudse patientberettigelse, hvilket reducerer patient screenings tid med over 40%.

Healthtech-virksomheder, der antager AI, udvikler også værktøjer, der hjælper læger med at hurtigt og nøjagtigt bestemme berettigede forsøg for patienter. Dette understøtter rekrutteringsacceleration, og det kan muligvis tillade forsøg at starte tidligere og dermed give patienter tidligere adgang til nye undersøgelseslægemidler.

3. Patientadgang og Begrænset Diversitet

AI kan spille en afgørende rolle i forbedring af adgangen til kliniske forsøg, især for patienter fra underrepræsenterede demografiske grupper. Dette er vigtigt, da utilgængelighed og begrænset diversitet ikke kun bidrager til lav patientrekruttering og tilbageholdelsesrater, men også fører til ujævn lægemiddeludvikling.

Overvej, at kliniske forsøgssteder generelt er samlet i urbane områder og store akademiske centre. Resultatet er, at samfund i landdistrikter eller underbetjente områder ofte ikke kan deltage i disse forsøg. Økonomiske byrder såsom behandlingsomkostninger, transport, børnepasning og omkostningerne ved at gå glip af arbejde forstærker barriererne for forsøgsdeltagelse og er mere udtalt i etniske og raciale minoriteter og grupper med lavere end gennemsnitlig socioøkonomisk status.

Som følge heraf repræsenterer raciale og etniske minoritetsgrupper så lidt som 2% af patienterne i amerikanske kliniske forsøg, på trods af at de udgør 39% af den nationale befolkning. Mangel på diversitet udgør en betydelig risiko i forhold til genetik, der varierer over raciale og etniske befolkningsgrupper og kan påvirke ugunstige lægemiddelreaktioner. For eksempel har asiater, latinamerikanere og afrikanere med atrial fibrillation (abnorm hjerterytme relateret til hjerte-relaterede komplikationer), der tager warfarin, en medicin, der forhindrer blodpropper, en højere risiko for hjernblødning i forhold til dem af europæisk afstamning.

Større repræsentation i kliniske forsøg er derfor afgørende for at hjælpe forskere med at udvikle behandlinger, der er både effektive og sikre for diverse befolkningsgrupper, og sikre, at medicinske fremskridt gavner alle – ikke kun udvalgte demografiske grupper.

AI kan hjælpe kliniske forsøgssponsorer med at tackle disse udfordringer ved at faciliterer decentraliserede forsøg – flytning af forsøgsaktiviteter til fjernt og alternative lokaliteter, i stedet for at indsamle data på et traditionelt klinisk forsøgssted.

Decentraliserede forsøg bruger ofte bærbare enheder, der indsamler data digitalt og bruger AI-drevne analyser til at sammenfatte relevant anonymiseret information om forsøgsdeltagere. Kombineret med elektroniske check-in, kan denne hybridtilgang til klinisk forsøgsigennemførelse eliminere geografiske barrierer og transportbyrder, og gøre forsøg tilgængelige for en bredere række af patienter.

Smartere Forsøg Gør Smartere Behandlinger

Kliniske forsøg er endnu en sektor, der kan blive transformeret af AI. Med sin evne til at analysere store datasets, identificere mønstre og automatisere processer kan AI give holistiske og robuste løsninger til i dagens hindringer – optimering af forsøgsdesign, forbedring af patientdiversitet, strømlining af rekruttering og tilbageholdelse, og nedbrydning af adgangsbarrierer.

Hvis sundhedsindustrien fortsætter med at antage AI-drevne løsninger, har fremtiden for kliniske forsøg potentialet til at blive mere inklusiv, patientcentreret og innovativ. At antage disse teknologier handler ikke kun om at følge med moderne tendenser – det handler om at skabe et klinisk forskningsøkosystem, der accelererer lægemiddeludvikling og leverer mere retfærdige sundhedsresultater for alle.