Künstliche Intelligenz: Lösungen für die größten Herausforderungen in der klinischen Forschung

Die moderne Medizin ist ein Wunder, mit früher unvorstellbaren Heilungen und Behandlungen, die jetzt allgemein verfügbar sind. Denken Sie an fortschrittliche medizinische Geräte wie implantierbare Defibrillatoren, die helfen, den Herzrhythmus zu regulieren und das Risiko eines Herzstillstands zu reduzieren.

Solche Durchbrüche wären ohne klinische Studien nicht möglich gewesen – die strengen Forschungen, die die Auswirkungen medizinischer Eingriffe auf menschliche Teilnehmer bewerten.

Leider ist der Prozess der klinischen Studien im Laufe der Zeit langsamer und teurer geworden. Tatsächlich werden nur eines von sieben Medikamenten, die in die Phase-I-Studien – die erste Testphase für die Sicherheit – eintreten, letztendlich zugelassen. Es dauert im Durchschnitt fast eine Milliarde Dollar an Finanzierung und ein Jahrzehnt Arbeit, um ein neues medizinisches Produkt auf den Markt zu bringen.

Die Hälfte dieser Zeit und dieses Geldes wird für klinische Studien aufgewendet, die mit zunehmenden Hürden konfrontiert sind, einschließlich Rekrutierungsineffizienzen, begrenzter Vielfalt und mangelnder Patientenzugänglichkeit. Folglich verlangsamt sich die Arzneimittelentwicklung, und die Kosten steigen weiter an. Glücklicherweise haben die jüngsten Fortschritte in der Künstlichen Intelligenz das Potenzial, diese Entwicklung umzukehren und die Arzneimittelentwicklung zum Besseren zu verändern.

Von Modellen, die komplexe Protein-Wechselwirkungen mit bemerkenswerter Präzision vorhersagen, bis hin zu künstlichen Intelligenz-gesteuerten Laborassistenten, die Routineaufgaben rationalisieren, verändert die künstliche Intelligenz-gesteuerte Innovation bereits die pharmazeutische Landschaft. Die Übernahme neuer künstlicher Intelligenz-Fähigkeiten, um die Barrieren klinischer Studien zu überwinden, kann den Studienprozess für Patienten, Ärzte und die Biopharmaindustrie verbessern und den Weg für neue wirksame Medikamente und möglicherweise bessere Gesundheitsergebnisse für Patienten ebnen.

Hindernisse für die Arzneimittelentwicklung

Medikamente in der Entwicklung stehen vor zahlreichen Herausforderungen während des Prozesses der klinischen Studien, was zu alarmierend niedrigen Zulassungsraten durch Aufsichtsbehörden wie der US-amerikanischen Lebensmittel- und Arzneimittelbehörde (FDA) führt. Als Ergebnis erreichen viele experimentelle Medikamente nie den Markt. Zu den wichtigsten Herausforderungen gehören Rückschläge bei der Studienkonzeption, geringe Patientenrekrutierung und begrenzte Patientenzugänglichkeit und Vielfalt – Probleme, die sich gegenseitig verstärken und den Fortschritt und die Gleichheit in der Arzneimittelentwicklung behindern.

1. Herausforderungen bei der Auswahl von Studienstandorten

Der Erfolg einer klinischen Studie hängt größtenteils davon ab, ob die Studienstandorte – in der Regel Krankenhäuser oder Forschungszentren – in der Lage sind, ausreichend geeignete Studienteilnehmer zu rekrutieren und einzuschreiben. Die Standortauswahl basiert traditionell auf mehreren überschneidenden Faktoren, einschließlich der historischen Leistung in vorherigen Studien, der lokalen Patientenpopulation und Demografie, der Forschungskapazitäten und -infrastruktur, der verfügbaren Forschungsmitarbeiter, der Dauer der Rekrutierungsphase und vielem mehr.

Allein genommen ist jeder Kriterium ziemlich eindeutig, aber der Prozess der Datenerfassung für jedes Kriterium ist mit Herausforderungen verbunden und die Ergebnisse können nicht unbedingt anzeigen, ob der Standort für die Studie geeignet ist. In einigen Fällen können die Daten einfach veraltet oder unvollständig sein, insbesondere wenn sie nur auf einer kleinen Stichprobe von Studien validiert wurden.

Die Daten, die zur Standortauswahl beitragen, stammen auch aus verschiedenen Quellen, wie internen Datenbanken, Abonnementsdiensten, Lieferanten oder Vertragsforschungsorganisationen, die klinische Studienmanagement-Dienstleistungen anbieten. Mit so vielen konvergierenden Faktoren kann die Aggregation und Bewertung dieser Informationen verwirrend und kompliziert sein, was in einigen Fällen zu suboptimalen Entscheidungen über Studienstandorte führen kann. Als Ergebnis können die Sponsoren – die Organisationen, die die klinische Studie durchführen – ihre Fähigkeit, Patienten in Studien zu rekrutieren, überschätzen oder unterschätzen, was zu verschwendeten Ressourcen, Verzögerungen und geringen Einhaltungsraten führt.

Wie kann also die künstliche Intelligenz bei der Kuratierung der Standortauswahl helfen?

Indem künstliche Intelligenz-Modelle mit historischen und Echtzeit-Daten potenzieller Standorte trainiert werden, können Studiensponsoren die Patienteneinschreibungsraten und die Leistung eines Standorts vorhersagen – die Standortzuweisung optimieren, Über- oder Unterrekrutierung reduzieren und die Gesamteffizienz und Kosten verbessern. Diese Modelle können auch potenzielle Standorte nach dem besten Zusammenspiel von Standortattributen und Faktoren ranken, die mit den Studienzielen und Rekrutierungsstrategien übereinstimmen.

Künstliche Intelligenz-Modelle, die mit einer Mischung aus klinischen Studien-Metadaten, medizinischen und Apotheken-Daten und Patientendaten aus Mitgliedsdiensten (primäre Versorgung) trainiert werden, können auch helfen, klinische Studienstandorte zu identifizieren, die Zugang zu vielfältigen, relevanten Patientenpopulationen bieten. Diese Standorte können zentral für unterrepräsentierte Gruppen gelegen sein oder sogar in beliebten Standorten innerhalb der Gemeinschaft wie Friseursalons, Glaubens- und Gemeindezentren stattfinden, um sowohl die Barrieren der Patientenzugänglichkeit als auch den Mangel an Vielfalt zu überwinden.

2. Geringe Patientenrekrutierung

Die Patientenrekrutierung bleibt einer der größten Engpässe in klinischen Studien, die bis zu einem Drittel der Studienzeit in Anspruch nehmen. Tatsächlich scheitern ein von fünf Studien daran, die erforderliche Anzahl von Teilnehmern zu rekrutieren. Da Studien komplexer werden – mit zusätzlichen Patientenkontakten, strengeren Ein- und Ausschlusskriterien und zunehmend komplexeren Studienkonzepten – wachsen die Rekrutierungsprobleme weiter an. Es ist nicht verwunderlich, dass Forschung den Anstieg der Protokollkomplexität mit sinkenden Patienteneinschreibungsraten und -raten in Verbindung bringt.

Daneben limitieren strenge und oft komplexe Ein- und Ausschlusskriterien, die darauf abzielen, die Sicherheit der Teilnehmer und die Integrität der Studie zu gewährleisten, den Zugang zu Behandlungen und schließen bestimmte Patientengruppen unverhältnismäßig aus, einschließlich älterer Erwachsener und rassischer, ethnischer und geschlechtsspezifischer Minderheiten. In Onkologie-Studien allein können etwa 17–21% der Patienten aufgrund restriktiver Eignungskriterien nicht eingeschrieben werden.

Die künstliche Intelligenz ist in der Lage, die Patienteneignungskriterien und die Rekrutierung zu optimieren. Während die Rekrutierung traditionell erfordert, dass Ärzte Patienten manuell screenen – was unglaublich zeitaufwändig ist – kann die künstliche Intelligenz Patientenprofile effizient und effektiv gegen geeignete Studien abgleichen.

Beispielsweise können maschinelle Lernalgorithmen bedeutungsvolle Muster in großen Datensätzen, wie elektronischen Gesundheitsakten und medizinischer Literatur, erkennen, um die Patientenrekrutierungseffizienz zu verbessern. Forscher haben sogar ein Werkzeug entwickelt, das große Sprachmodelle verwendet, um Kandidaten auf großem Maßstab schnell zu überprüfen und die Patienteneignung vorherzusagen, wodurch die Patientenauswahlzeit um über 40% reduziert wird.

Gesundheitstechnologie-Unternehmen, die künstliche Intelligenz anwenden, entwickeln auch Werkzeuge, die Ärzten helfen, schnell und genau zu bestimmen, welche Studien für Patienten geeignet sind. Dies unterstützt die Rekrutierungsbeschleunigung, was möglicherweise dazu führen kann, dass Studien früher beginnen und Patienten früher Zugang zu neuen experimentellen Behandlungen erhalten.

3. Patientenzugänglichkeit und begrenzte Vielfalt

Die künstliche Intelligenz kann eine entscheidende Rolle bei der Verbesserung des Zugangs zu klinischen Studien spielen, insbesondere für Patienten aus unterrepräsentierten demografischen Gruppen. Dies ist wichtig, da die Unzugänglichkeit und begrenzte Vielfalt nicht nur zu geringen Patientenrekrutierungs- und -raten führen, sondern auch zu einer ungleichen Arzneimittelentwicklung beitragen.

Denken Sie daran, dass klinische Studienstandorte in der Regel in städtischen Gebieten und großen akademischen Zentren konzentriert sind. Die Folge ist, dass Gemeinschaften in ländlichen oder benachteiligten Gebieten oft keinen Zugang zu diesen Studien haben. Finanzielle Belastungen wie Behandlungskosten, Transport, Kinderbetreuung und die Kosten für den Verlust von Arbeitszeit verstärken die Barrieren für die Teilnahme an Studien und sind in ethnischen und rassischen Minderheiten und Gruppen mit niedrigerem Durchschnittseinkommen ausgeprägter.

Als Ergebnis machen rassische und ethnische Minderheitengruppen weniger als 2% der Patienten in US-amerikanischen klinischen Studien aus, obwohl sie 39% der nationalen Bevölkerung ausmachen. Dieser Mangel an Vielfalt birgt ein erhebliches Risiko in Bezug auf die Genetik, die sich über rassische und ethnische Populationen erstreckt und die unerwünschten Arzneimittelreaktionen beeinflussen kann. Zum Beispiel haben Asiaten, Lateinamerikaner und Afroamerikaner mit Vorhofflimmern (abnormale Herzrhythmen im Zusammenhang mit herzbedingten Komplikationen), die Warfarin, ein Medikament, das Blutgerinnsel verhindert, einnehmen, ein höheres Risiko für Hirnblutungen im Vergleich zu denen mit europäischer Abstammung.

Eine größere Repräsentation in klinischen Studien ist daher unerlässlich, um Forschern zu helfen, Behandlungen zu entwickeln, die sowohl wirksam als auch sicher für vielfältige Populationen sind und um sicherzustellen, dass medizinische Fortschritte allen – nicht nur bestimmten demografischen Gruppen – zugute kommen.

Die künstliche Intelligenz kann klinischen Studien-Sponsoren helfen, diese Herausforderungen zu überwinden, indem sie dezentralisierte Studien erleichtert – Studienaktivitäten in remote und alternative Standorte verlagert, anstatt Daten an einem traditionellen klinischen Studienstandort zu sammeln.

Dezentralisierte Studien nutzen oft Wearables, die Daten digital sammeln und künstliche Intelligenz-gesteuerte Analysen verwenden, um relevante anonymisierte Informationen über Studienteilnehmer zusammenzufassen. In Kombination mit elektronischen Check-ins kann dieser hybride Ansatz für die Durchführung klinischer Studien geografische Barrieren und Transportbelastungen beseitigen und Studien für eine breitere Palette von Patienten zugänglich machen.

Intelligente Studien machen intelligente Behandlungen

Klinische Studien sind ein weiterer Bereich, der durch die künstliche Intelligenz transformiert werden kann. Mit ihrer Fähigkeit, große Datensätze zu analysieren, Muster zu erkennen und Prozesse zu automatisieren, kann die künstliche Intelligenz umfassende und robuste Lösungen für die heutigen Hürden bieten – die Studienkonzeption optimieren, die Patientenvielfalt verbessern, die Rekrutierung und Einhaltung rationalisieren und die Barrieren der Zugänglichkeit durchbrechen.

Wenn die Gesundheitsbranche weiterhin künstliche Intelligenz-gesteuerte Lösungen übernimmt, hat die Zukunft der klinischen Studien das Potenzial, inklusiver, patientenzentrierter und innovativer zu werden. Die Übernahme dieser Technologien ist nicht nur eine Frage des Mitgehens mit modernen Trends – es geht darum, ein klinisches Forschungssystem zu schaffen, das die Arzneimittelentwicklung beschleunigt und gerechtere Gesundheitsergebnisse für alle liefert.