Hvordan udnytte AI i hele lægemiddelbehandlingsprocessen

Vi har opnået enorme fremskridt i sundhedssektoren over de seneste årtier takket være introduktionen af ny teknologi. Nu tilbyder kunstig intelligens (AI) en ny stor mulighed for at fortsætte denne tendens og yderligere forbedre patienternes liv. Der er en bred vifte af anvendelser af AI, når det kommer til at forstå og behandle sundhedsforhold. Faktisk kan AI udnyttes i hele behandlingsprocessen, når forskere søger at behandle en ny sygdom. Teknologien kan være særligt nyttig til at opdage nye lægemidler, forstå nye sygdomme og måle behandlingernes resultater.

AI i lægemiddelforskning

Lang tid før producenter kan bringe et lægemiddel på markedet, arbejder forskere med at identificere de rigtige molekyler. AI kan anvendes i lægemiddelforskning og udvikling, især med det formål at gøre processen mere effektiv og mindre dyrt. I den typiske proces for opdagelse kan forskere bruge år på at teste forskellige molekyler, blot for at opdage, at den valgte molekyl ikke har den ønskede effekt. AI kan spille en rolle i denne proces ved at forudsige bioaktivitet og interaktioner mellem molekyler. Ved at udnytte eksisterende data kan en prædiktionsmodel være i stand til at identificere en molekyl, der har en højere sandsynlighed for at have den ønskede effekt, selv før nogen træder ind i laboratoriet.

Anvendelsen af AI i lægemiddeludvikling er stadig i de relativt tidlige faser, og der er ikke lægemidler opdaget af AI på markedet endnu. Det sagde, så har mange sundheds- og forskningsorganisationer allerede begyndt at integrere AI i processen og er nået til kliniske forsøg med AI-udviklede lægemidler. For eksempel blev et lægemiddel mod idiopatisk lungfibrose (IPF), der blev identificeret ved hjælp af AI, indledt fase 1-forsøg i 2022 og fik FDA’s første godkendelse som lægemiddel for sjældne sygdomme tidligere på året. Da industrien bliver mere komfortabel med AI, vil dens anvendelser i lægemiddeludvikling sandsynligvis udvide sig yderligere, og vi kan måske se lægemidler udviklet med AI, der gives til patienter.

AI i epidemiologi og klinisk prøveledelse

En anden vigtig skridt i at bringe en terapi på markedet og få den i patienternes hænder er at opnå en forståelse af en sygdom og hvordan den påvirker sundhedsresultater på befolkningsniveau. Det er her, epidemiologer kommer ind i billedet – den gruppe af forskere, der er ansvarlige for at kvantificere og overvåge terapeutisk risikostyring på tværs af målpopulationer og indikationer.

Ved at anvende AI og maskinlærings-teknikker kan epidemiologer undersøge realverdensdata (RWD) – blandt anden tilgængelig data – og identificere tendenser relevante for kommercielle og kliniske beslutninger. Fordi maskinlæring er optimeret til at undersøge data på en hypotesefri måde, kan den hjælpe med at opdage nye mønstre, generere bedre forudsigelser for nøgle-tendenser såsom sygdomsforekomst og identificere risikofaktorerne forbundet med dårlige resultater. Disse indsighter er kritiske for forskere til at udvikle behandlinger, der vil kunne møde behovene hos deres målpopulation mest effektivt.

AI kan også automatisere dele af den kliniske prøvefasen i lægemiddeludviklingen, som er kritisk for at etablere sikkerheden og effikaciteten af en ny terapi, før den når patienterne. For eksempel kan AI anvendes til at sikre, at de rette patienter bliver rekrutteret til en klinisk prøve, og at studiegruppen repræsenterer den generelle befolkning, samtidig med at diversitet og lighed tages i betragtning. AI kan også hjælpe med at gennemgå sikkerhedsrapporter fra en prøve på en måde, der er mere pålidelig end et menneskeligt hold. Ikke alle aspekter af epidemiologi og klinisk prøveledelse kan automatiseres, men AI kan gøre visse aspekter af processen mere effektiv.

AI i evaluering af behandlingsresultater

Når en klinisk prøve har demonstreret effikacitet, er det kritisk at forstå værdien af en ny intervention på sundhedsmarkedet. På dette tidspunkt har forskerne brugt utallige timer og hundredvis af millioner, hvis ikke milliarder, af dollars på at udvikle en terapi – men de skal stadig sikre, at de rette patienter kan få adgang til den, når de har brug for det. Det er her, sundhedsøkonomi og resultatsforskning (HEOR) – studiet af værdien af sundhedsinterventioner – spiller en afgørende rolle i lægemiddeludviklingsprocessen.

Det ultimative mål for HEOR-analyser er at hjælpe betalere og andre, der er ansvarlige for at finansiere sundhedsydelser, med at optimere sundheden hos deres befolkninger, samtidig med at omkostningerne minimeres. Uden det ville sundhedssystemerne ikke være finansielt stabile, og leveringen af sundhedsydelser ville være kompromitteret. AI kan spille en rolle i HEOR-analyser ved at afsløre mønstre i data, der hjælper med at kvantificere den inkrementelle fordel af en behandling, såsom identificering af unikke subpopulationer, der oplever en forbedret forbedring af resultater i forhold til den generelle befolkning.

For eksempel blev maskinlæring anvendt i en studie blandt personer med type 2-diabetes for at undersøge, hvilke subpopulationer der kunne have gavn af en adfærdsmæssig intervention rettet mod vægttab. Mens der ikke blev fundet nogen signifikant effekt blandt den generelle befolkning af personer med type 2-diabetes, fandt forskerne, at en undergruppe med bestemte karakteristika kunne undgå komplicationer fra hjertekarsygdom efter interventionen. Disse indsighter hjalp klinikere og sundhedsplaner med at vide, hvilke patienter der ville have mest gavn af interventionen, hvilket hjalp med at forbedre patientresultater og spare omkostninger samlet.

Fremtiden for AI i lægemiddeludviklingen

Der er tydeligvis en mangfoldighed af anvendelser af AI, når det kommer til at forstå og behandle sygdomme, og forskere er dedikeret til yderligere at udvikle teknologien. Faktisk har den førende organisation for HEOR, ISPOR, nylig etableret retningslinjer for brug af maskinlæring inden for området. Dette viser en tilbageholdenhed til at udvide brugen af AI og maskinlæring for at maksimere dets potentiale.

Epidemiologer, forskere, sundhedsøkonomer og andre, der spiller en rolle i lægemiddeludviklingsprocessen, kan alle finde værdi i at integrere AI i deres arbejde. Og hvis vi kan bruge AI til bedre at forstå sygdomme og udvikle mere effektive og målrettede behandlinger, vil patienterne have stor gavn af det i sidste ende. AI har ubegrænsede muligheder inden for sundhedssektoren og lægemiddeludvikling til at forbedre liv – og det er vores ansvar at udnytte det til dets største kapacitet.