Dr. George Aronoff, Chief Medical Officer hos Dosis, Inc – Intervju-serie

Dr. George Aronoff er Chief Medical Officer hos Dosis, og han har mere end 30 års erfaring indenfor nefrologi. Han var tidligere afdelingslæge for Nefrologi og Hypertension på University of Louisville, hvor hans forskning med Drs. Brier og Gaweda fokuserede på at bruge AI til at dosere ESAs hos dialysepatienter. Han modtog sin M.S. i farmakologi og M.D. fra Indiana University.

Dosis’​ første produkt, Strategic Anemia Advisor, er et webbaseret referenceværktøj, der personliggør doseringen af ESAs, en klasse af lægemidler, der bruges til at behandle kronisk anæmi.

Kunne du begynde med at forklare, hvad det innovative AI-baserede doseringsplatform Strategic Anemia Advisor (SAA) er?

Dosis’ Strategic Anemia Advisor (SAA) er et AI-baseret klinisk beslutningsstøttesystem, der er udviklet til at forbedre sundhedsresultaterne for patienter med End-Stage Kidney Disease (ESKD) og reducere lægemiddelomkostningerne med gennemsnitligt 25 procent ved at personliggøre lægemiddeldosering. Mere end 550.000 patienter med End-Stage Renal Disease (ESRD) i USA er i øjeblikket undergår dialysebehandling, og de fleste af disse patienter oplever kronisk anæmi. SAA er baseret på mere end 10 års forskning på University of Louisville og er specifikt designed til at hjælpe kliniske anæmihåndterere med deres anbefalinger for ESAs-dosering.

Hvad er nogle af fordelene ved at tilbyde personlige doseringsanbefalinger?

AI hjælper kliniske læger med at bestemme den mindste dosis, der kræves for at opnå det ønskede terapeutiske resultat, hvilket har både kliniske og økonomiske fordele. I tilfældet med dosering af ESAs kan ineffektiv dosering resultere i betydeligt højere end nødvendigt lægemiddeludsatning for patienterne og korresponderende forhøjede omkostninger for sundhedsydelser. SAA fokuserer på at finjustere dosistilpasninger baseret på en patients demonstrerede lægemiddelrespons. Da dosisændringer foretages regelmæssigt, er det i en patients bedste interesse at modtage den mindste mængde af et lægemiddel, da større eksponering for ESA er forbundet med en højere risiko for hjerteanfald, slagtilfælde, trombose og kræftrecidiv.

Som lederen på dette område leverer Dosis’s SAA en løsning, der har haft beviste resultater, hvilket har gjort det muligt for det at opnå bred accept fra top-dialyseorganisationer. Indtil videre er SAA blevet brugt til at levere over 2 millioner doseringsanbefalinger.

Lægemiddeldosering drevet af AI er på vej til at blive mere udbredt i mange områder af medicinen, såsom dialyse, kræft og transplantationsmedicin. Det er i disse områder, at stadig mere præcis dosering spiller en kritisk rolle i opnåelse af positive resultater. AI-drevet præcis dosering er særligt effektiv i håndteringen af lægemidler, der bruges til at behandle kroniske tilstande, da både risikoen for bivirkninger og omkostningerne for sundhedsydelser øges over månederne og årene, patienterne er på disse lægemidler.

Hvordan bruges kunstig intelligens til at identificere den anbefalede dosis?

SAA bruger kunstig intelligens til at placere patienter på en skala af ESA-dosisrespons, fra ekstrem responder (en person, der er meget følsom over for et lægemiddel) til, i virkeligheden, non-responder. Denne vurdering udføres ved at evaluere en patients historiske respons på lægemidlet og opbygge en unik responsprofil for hver patient. Med hver efterfølgende dosis og hæmoglobinsvar refinerer SAA denne vurdering for at mere præcist opnå målhæmoglobinet ved at bruge den lavest mulige ESA-dosis.

Hvilken type reduktion i medicinforbrug har klinikkerne set fra dette?

Med konsekvent brug af SAA har klinikkerne set en gennemsnitlig reduktion på 25 procent i ESA-forbrug med vedligeholdte eller forbedrede anæmi-resultater, samt en 75-procentig reduktion i den tid, der bruges på at håndtere anæmi.

Kunne du diskutere, hvordan AI-drevet præcis dosering sandsynligvis vil være standarden for sundhedspleje i fremtiden?

Til at informere doseringsbeslutninger har læger historisk set primært været afhængige af deres kliniske erfaring, viden om de lægemidler, de skriver ud, og papirbaserede anbefalinger for dosering fra lægemiddelproducenter og FDA. Disse anbefalinger er ofte upræcise, da de er baseret på kliniske studier, der måske ikke nøjagtigt afspejler en enkelt patients respons på lægemidlet.

Præcis dosering er blevet identificeret som en afgørende metode til at maksimere terapeutisk sikkerhed og effektivitet med betydelige fordele for patienter og sundhedsydelser, og AI-drevne løsninger har hidtil vist sig at være blandt de mest kraftfulde værktøjer til at realisere præcis dosering.

I dag er der fem faktorer, der er kommet sammen for at gøre AI-drevet lægemiddeldosering til en realitet. Disse omfatter:

• Teknologiske fremskridt i beregning, der gør det muligt for os at behandle store, komplekse datasæt hurtigt, hvilket gør AI-løsninger praktiske.
• Offentlig bekendtskab med kunstig intelligens som et effektivt værktøj til at løse komplekse problemer, hvilket gør det muligt for læger at være trygge ved at inkorporere sådanne værktøjer i kliniske miljøer.
• Pålidelige data er nu tilgængelige i elektroniske patientjournaler og standardiseret på en måde, der er langt mere tilgængelig for algoritmer i forhold til frie, papirbaserede patientjournaler.
• Big data-analyseteknikker har også gjort det muligt at anvende kunstig intelligens og kontrolalgoritmer på komplekse datasæt på en mere praktisk og effektiv måde. I dag kan vi trække på data fra millioner af patienter for at designe og teste algoritmer i silikone for at forudsige effektivitet og iterere hurtigt. Dette er en betydelig forbedring i forhold til eksperternes systemer, der er baseret på en læges mindre antal patienter, muligvis i tusinder eller hundredvis, der generelt kun kan testes i langt mere kostbare og risikable kliniske forsøg.
• Stadig mere komplekse og kraftfulde lægemidler er blevet udviklet, der påvirker grundlæggende fysiologiske processer. Lægemidler, der påvirker multiple fysiologiske processer og har en smal terapeutisk vindue (det “søde” punkt mellem toksicitet og ineffektiv terapi), er blevet mere udbredte. Disse er de typer af lægemidler, for hvilke AI-drevet lægemiddeldosering kan give den største fordel.

Går man et skridt videre end præcis dosering, hvad er dine synspunkter på den samlede fremtid for personlig medicin?

Om 10 år tror jeg, at AI-drevne doseringsmodeller sandsynligvis vil være standarden for sundhedspleje på tværs af hele sundhedssektoren, brugt til en bred vifte af lægemidler som warfarin, insulin og immunsuppressiver. Grundlæggende vil ethvert lægemiddel, der administreres kronisk og har en smal terapeutisk vindue, være en god kandidat til AI-drevet dosering. Derudover, da der udvikles flere værktøjer og flere muligheder for at bruge disse værktøjer identificeres, vil vi se eksponentiel vækst i brugen af AI til at drive terapier, fortolke laboratorie- og radiografiske fund og forudsige resultater af terapeutiske strategier.

Er der noget andet, du gerne vil dele om Dosis?

Dosis er unikt positioneret til at implementere AI-drevet beslutningsstøtte og har en track record for at oversætte højt niveau akademisk forskning til praktiske kliniske anvendelser på både små og store skalaer.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Dosis.