Kuinka hyödyntää tekoälyä lääkekehityksen prosessissa

Olemme tehneet uskomattomia edistysaskelia terveydenhuollossa viimeisten muutaman vuosikymmenen aikana uuden teknologian ansiosta. Nyt tekoäly (AI) tarjoaa toisen suuren mahdollisuuden jatkaa tätä kehitystä potilaiden elämän paranemiseksi. On olemassa laaja valikoima tekoälyn sovelluksia, kun on kyse terveyden ja sairauksien ymmärtämisestä ja hoidosta. Itse asiassa tekoälyä voidaan hyödyntää koko lääkekehitysprosessin aikana, kun tutkijat pyrkivät hoitamaan uutta sairautta. Teknologiaa voidaan erityisesti käyttää uusien lääkeaineiden löytämiseen, uusien sairauksien ymmärtämiseen ja hoidon tuloksien mittaamiseen.

Tekoäly lääkekehityksessä

Kauan ennen kuin valmistajat voivat tuoda lääkkeen markkinoille, tutkijat työskentelevät oikean molekyylin löytämiseksi. Tekoälyä voidaan soveltaa lääkekehitykseen ja -tuotantoon, erityisesti prosessin tehokkuuden ja kustannusten vähentämiseksi. Tyypillisessä löytämisprosessissa tutkijat voivat viettää vuosia testaamalla eri molekyylejä, vain toteakseen, että kokeessa valittu molekyyli ei ole toivottu vaikutus. Tekoäly voi osallistua tähän prosessiin ennustamalla eri molekyylien bioaktiivisuutta ja vuorovaikutuksia. Käyttämällä olemassa olevia tietoja, ennustemalli voi tunnistaa molekyylin, jolla on suurempi todennäköisyys vaikuttaa toivottuun tapaan, ennen kuin kukaan astuu laboratorioon.

Tekoälyn käyttö lääkekehityksessä on edelleen suhteellisen varhaisessa vaiheessa, eikä tekoälyllä kehitettyjä lääkkeitä ole vielä markkinoilla. Useat terveydenhuolto- ja tutkimusorganisaatiot ovat kuitenkin jo alkaneet käyttää tekoälyä prosessissa ja ovat saavuttaneet kokeelliset tutkimukset tekoälyllä kehitetyillä lääkkeillä. Esimerkiksi idiopaattiseen keuhkofibroosiin (IPF) tarkoitettu lääke, joka tunnistettiin tekoälyn avulla, siirtyi vaiheen 1 kokeisiin vuonna 2022 ja saavutti FDA:n orphan-lääkeasetuksen tänä vuonna. Kun teollisuus tulee tietoisemmaksi tekoälystä, sen sovellukset lääkekehityksessä todennäköisesti laajenevat entisestään, ja lopulta näemme tekoälyllä kehitettyjä lääkkeitä, jotka annetaan potilaille.

Tekoäly epidemiologiassa ja kliinisissä kokeissa

Toinen tärkeä askel lääkkeen markkinoille saattamisessa ja potilaiden saataville asettamisessa on saada ymmärrys sairaudesta ja sen vaikutuksista terveyden tuloksiin väestötasolla. Tässä vaiheessa epidemiologit tulevat kuvaan – tutkijaryhmä, joka on vastuussa terapeuttisen riskin hallinnasta kohderyhmien ja osoitteiden osalta.

Hyödyntämällä tekoälyä ja koneoppimismenetelmiä, epidemiologit voivat tutkia todellisen maailman tietoja (RWD) ja tunnistaa trendejä, jotka ovat merkityksellisiä kaupallisten ja kliinisten päätösten tekemiseksi. Koska koneoppiminen on optimoitu tietojen tutkimiseen hypoteesittömässä tavassa, se mahdollistaa tutkijoiden löytää uusia kuvioita, tehdä parempia ennusteita tärkeille trendeille, kuten sairauden yleisyydelle, ja tunnistaa riskitekijät, jotka liittyvät huonoihin tuloksiin. Nämä oivallukset ovat kriittisiä tutkijoiden kehittääkseen hoitoja, jotka vastaavat parhaiten kohderyhmänsä tarpeita.

Tekoälyä voidaan myös käyttää kliinisen kokeen automaatioon lääkekehityksen vaiheessa, mikä on kriittinen uuden hoidon turvallisuuden ja tehokkuuden vahvistamiseksi ennen kuin se saadaan potilaille. Esimerkiksi tekoälyä voidaan käyttää varmistamaan, että oikeat potilaat osallistuvat kliiniseen kokeeseen, ja että tutkimusryhmä edustaa yleisväestöä ottaen huomioon monimuotoisuuden ja oikeudenmukaisuuden. Tekoäly voidaan myös auttaa turvallisuusraporttien tarkastelussa tapahtuvassa kokeessa luotettavammin kuin ihmisryhmä. Kaikkea epidemiologiaa ja kliinistä kokeen suunnittelua ei voida automatisoida, mutta tekoäly voi tehdä joitakin prosessin osia tehokkaammaksi.

Tekoäly hoidon tuloksien arvioinnissa

Kun kliininen koe on osoittanut tehokkuuden, on kriittistä ymmärtää uuden hoidon arvo terveydenhuollon markkinassa. Tähän vaiheeseen terveyden taloudellinen tutkimus (HEOR) – terveydenhuollon interventioiden arvon tutkimus – on avainasemassa lääkekehityksessä.

HEOR-analyysien lopullinen tavoite on auttaa maksajia ja muita, jotka ovat vastuussa terveydenhuollon rahoituksesta, optimoimaan terveydenhuollon tulokset minimoiden kustannukset. Ilman tätä terveydenhuoltojärjestelmät eivät olisi taloudellisesti vakaita, ja hoitoa ei voitaisi toimittaa ajallaan. Tekoäly voidaan soveltaa HEOR-analyyseihin paljastamalla tietojen kuvioita, jotka auttavat mittaamaan hoidon lisäarvoa, kuten tunnistamalla ainutlaatuisia alaryhmiä, jotka saavat suuremman hyödyn hoidosta verrattuna yleisväestöön.

Esimerkiksi koneoppimista käytettiin tutkimuksessa tyypin 2 diabeetikkojen parissa tutkimaan, mitkä alaryhmät voisivat hyötyä käyttäytymiseen vaikuttavasta hoidosta painonhallinnassa. Vaikka yleisväestöllä ei havaittu merkittävää vaikutusta, tutkijat löysivät alaryhmän, jolla oli tiettyjä ominaisuuksia, ja joka voi välttää sydän- ja verisuonitauteja hoidon ansiosta. Nämä oivallukset auttoivat kliinikoita ja terveydenhuolto-ohjelmia tunnistamaan, mitkä potilaat hyötyisivät eniten hoidosta, parantaen siten potilaiden tuloksia ja säästäen kustannuksia.

Tekoälyn tulevaisuus lääkekehityksessä

On selvää, että tekoälyllä on monia sovelluksia sairauksien ymmärtämisessä ja hoidossa, ja tutkijat ovat sitoutuneita edistämään tätä teknologiaa. Itse asiassa johtava terveyden taloudellisen tutkimuksen organisaatio, ISPOR, on vastikään asettanut ohjeet koneoppimisen käyttöön tässä alalla. Tämä osoittaa sitoutumista laajentamaan tekoälyn ja koneoppimisen käyttöä maksimoidakseen sen potentiaalin.

Epidemiologit, tutkijat, terveyden taloustieteilijät ja muut, jotka osallistuvat lääkekehitykseen, voivat kaikki hyötyä tekoälyn käytöstä työssään. Ja jos voimme käyttää tekoälyä sairauksien ymmärtämiseen ja tehokkaampien ja kohdennettujen hoitojen kehittämiseen, potilaat hyötyvät siitä merkittävästi lopulta. Tekoälyllä on rajattomat mahdollisuudet terveydenhuollossa ja lääkekehityksessä parantamaan elämää – ja meidän on vastuu hyödyntää sitä kaikkein suurimmalla kapasiteetillaan.