אינטליגנציה מלאכותית: התמודדות עם אתגרים הגדולים ביותר של ניסויים קליניים

הרפואה המודרנית היא פלא, עם תרופות וטיפולים שלא היו מוכרים בעבר, הזמינים כיום באופן נרחב. חשבו על התקנים הרפואיים המתקדמים, כגון דפיברילטורים משובצים, שעוזרים לווסת את קצב הלב ולהפחית את הסיכון לעצירת לב.

התקדמויות אלו לא היו אפשריות בלעדי ניסויים קליניים – המחקר הנוקשה שמעריך את ההשפעות של התערבויות רפואיות על משתתפים אנושיים.

לצערנו, תהליך ניסויי המחקר הפך לאיטי ויקר יותר עם הזמן. בעובדה, רק אחד משבעה תרופות שנכנסות לשלב I – השלב הראשון של בדיקת בטיחות – מאושרות בסופו של דבר. כרגע, זה לוקח, בממוצע, כמעט מיליארד דולר במימון ועשור של עבודה כדי להביא תרופה חדשה אחת לשוק.

חצי מהזמן והכסף מוצאים על ניסויים קליניים, שמולים מול מכשולים רבים, כולל אינפיסיות גיוס, גיוון מוגבל ואי-נגישות לחולים. כתוצאה מכך, גילוי תרופות מואט, והעלויות ממשיכות לעלות. למזל, התקדמויות אחרונות באינטליגנציה מלאכותית הן בעלות פוטנציאל לשבור את המגמה ולשנות את פיתוח התרופות לטובה.

ממודלים שחוזים אינטראקציות חלבונים מורכבות בדיוק יוצא דופן, ועד עוזרי מעבדה מבוססי AI המזרימים משימות רוטיניות, חדשנות AI-נועדת כבר משנה את נוף התרופות. אימוץ יכולות AI חדשות כדי להתמודד עם מכשולים בניסויים קליניים יכול לשפר את תהליך הניסוי למטופלים, רופאים ו-BioPharma, ולפתוח את הדרך לתרופות חדשות ותוצאות בריאות טובות יותר עבור המטופלים.

מכשולים בפיתוח תרופות

תרופות בפיתוח מולים מול אתגרים רבים במהלך תהליך ניסויי המחקר, מה שמוביל לשיעורי אישור נמוכים מאוד מגופים רגולטוריים כגון מנהל המזון והתרופות האמריקאי (FDA). כתוצאה מכך, תרופות רבות מעולם לא מגיעות לשוק. האתגרים העיקריים כוללים עצירות בתכנון הניסוי, גיוס מטופלים נמוך, וגיוון ונגישות מוגבלים של מטופלים – בעיות שמתעצמות זו את זו ומונעות התקדמות ושוויון בפיתוח תרופות.

1. אתגרים בבחירת אתרי ניסוי

הצלחת ניסוי קליני תלויה במידה רבה ביכולת של אתרי הניסוי – בדרך כלל בתי חולים או מרכזי מחקר – לגייס ולרשום אוכלוסיית מחקר מספקת. בחירת אתרים מבוססת בדרך כלל על מספר קריטריונים חופפים, כולל ביצועים היסטוריים בניסויים קודמים, אוכלוסיית מטופלים מקומית ודמוגרפיה, יכולות ותשתית מחקר, צוות מחקר זמין, משך תקופת הגיוס, ועוד.

בפני עצמו, כל קריטריון הוא יחסית פשוט, אך תהליך איסוף הנתונים סביב כל אחד מהם מלא באתגרים, והתוצאות עשויות לא להיות מהימנות, במיוחד אם הן מבוססות על מדגם קטן של מחקרים.

הנתונים המסייעים בקביעת בחירת אתרים מגיעים ממקורות שונים, כגון בסיסי נתונים פנימיים, שירותים מנויים, ספקים, או ארגוני מחקר, המספקים שירותי ניהול ניסויים קליניים. עם כל כך הגורמים המשפיעים, איסוף והערכת מידע זה יכול להיות מבלבל ומסובך, מה שבמקרים מסוימים עלול להוביל להחלטות לא אופטימליות בנוגע לאתרי ניסוי. כתוצאה מכך, נותני חסות – הארגונים המבצעים את הניסוי הקליני – עלולים להעריך יתר או חסר את יכולתם לגייס מטופלים בניסויים, מה שמוביל לבזבוז משאבים, עיכובים ושיעורי הישארות נמוכים.

איך AI יכול לעזור בקידום בחירת אתרי ניסוי?

על ידי אימון מודלי AI עם נתונים היסטוריים ובזמן אמת של אתרים פוטנציאליים, נותני חסות יכולים לחזות את שיעורי הרישום של מטופלים ואת ביצועי האתר – מאפטימיזציה של אלוקציה של אתרים, הפחתת עודף או חוסר הרישום, ושיפר את היעילות והעלות הכוללת. מודלים אלו יכולים גם לדרג אתרים פוטנציאליים על ידי זיהוי השילוב הטוב ביותר של תכונות אתר וגורמים המתאימים למטרות המחקר ואסטרטגיות גיוס.

מודלי AI המאומנים עם שילוב של מטא-נתונים של ניסויים קליניים, נתונים רפואיים ותרופות, ונתוני מטופלים משירותי חברות (טיפול ראשוני) יכולים גם לזהות אתרי ניסויים קליניים שיספקו גישה לאוכלוסיית מטופלים מגוונת ורלוונטית. אתרים אלו יכולים להיות ממוקמים במרכז עבור קבוצות מוחלשות או אפילו להתקיים באתרים פופולריים בקהילה, כגון חנויות ספרים, מרכזים קהילתיים או מרכזים דתיים, ובכך לפתור את המכשולים של נגישות מטופלים וחוסר גיוון.

2. גיוס מטופלים נמוך

גיוס מטופלים נותר אחד הצווארים המושכים בניסויים קליניים, צורך עד שליש ממשך הניסוי. בעובדה, אחד מכל חמישה ניסויים נכשלים בגיוס המספר הנדרש של משתתפים. ככל שהניסויים הופכים למורכבים יותר – עם נקודות מגע רבות יותר של מטופלים, קריטריונים של כשירות ואי-כשירות מחמירים, ותכנון מחקר מתוחכם יותר – אתגרי גיוס ממשיכים לגדול. לא במפתיע, מחקר מקשר בין עלייה בסיבוכיות הפרוטוקול לירידה בשיעורי הרישום וההישארות של מטופלים.

בנוסף, קריטריונים קפדניים ולעיתים מורכבים של כשירות, שנועדו להבטיח בטיחות המשתתפים ושלמות המחקר, פעמים רבות מוגבלים גישה לטיפול וממנעים קבוצות מסוימות של מטופלים, כולל מבוגרים ומיעוטים גזעיים, אתניים ומגדריים. בניסויים אונקולוגיים בלבד, כ- 17–21% מהמטופלים אינם מסוגלים להירשם עקב דרישות כשירות מגבילות.

AI מוכן לאפטימיזציה של קריטריונים לכשירות וגיוס מטופלים. בעוד שגיוס היה מסורתית דורש שרופאים יבדקו מטופלים באופן ידני – מה שהוא תהליך צורכת זמן – AI יכול לתאם ביעילות ובמהירות פרופילים של מטופלים עם ניסויים מתאימים.

למשל, אלגוריתמים של למידת מכונה יכולים לזהות באופן אוטומטי דפוסים משמעותיים במאגרי נתונים גדולים, כגון רשומות רפואיות אלקטרוניות וספרות רפואית, כדי לשפר את יעילות גיוס המטופלים. חוקרים פיתחו כלי שמשתמש במודלי שפה גדולים כדי לבדוק מועמדים בקנה מידה גדול ולסייע בחיזוי כשירות של מטופלים, תוך הפחתת זמן בדיקת המטופלים ביותר מ-40%.

חברות הייטק המאמצות AI פיתחו גם כלים המסייעים לרופאים לקבוע במהירות ובדיוק ניסויים מתאימים עבור מטופלים. זה תומך באיצוץ גיוס, ובפוטנציאל, מאפשר לניסויים להתחיל מוקדם יותר, ובכך לספק למטופלים גישה מוקדמת יותר לטיפולים חדשים.

3. נגישות מטופלים וגיוון מוגבל

AI יכול למלא תפקיד קריטי בשיפור הגישה לניסויים קליניים, במיוחד עבור מטופלים מקבוצות דמוגרפיות מוחלשות. זה חשוב, שכן אי-נגישות וגיוון מוגבל לא רק תוםרים את שיעורי גיוס והישארות של מטופלים, אלא גם מובילים לפיתוח תרופות לא שוויוני.

תחשבו על כך שאתרי ניסויים קליניים בדרך כלל מרוכזים באזורים עירוניים ובמרכזים אקדמיים גדולים. התוצאה היא שקהילות באזורים כפריים או מוחלשים לעיתים קרובות אינן מסוגלות לגשת לניסויים אלו. נטלים כלכליים כגון עלויות טיפול, תחבורה, טיפול בילדים, ועלות היעדרות מעבודה, מחריפים את המכשולים להשתתפות בניסויים, והם בולטים יותר בקרב מיעוטים גזעיים וקבוצות עם סטטוס סוציו-אקונומי נמוך מהממוצע.

כתוצאה מכך, קבוצות מיעוט גזעיות ואתניות מיוצגות בשיעור נמוך ככ- 2% מהמטופלים בניסויים קליניים בארצות הברית, על אף שהן מהוות 39% מהאוכלוסייה. חוסר גיוון זה מהווה סיכון משמעותי ביחס לגנטיקה, שמשתנה בין אוכלוסיות גזעיות ואתניות, ויכול להשפיע על תגובות שליליות לתרופות. לדוגמה, אסייתים, לטינו-אמריקאים, ואפרו-אמריקאים עם פרפור עלייה (קצב לב לא סדיר הקשור לסיבוכים לבביים) שנוטלים וורפרין, תרופה המונעת קרישי דם, יש להם סיכון גבוה יותר לדימום מוחי בהשוואה לאלו ממוצא אירופאי.

ייצוג רב יותר בניסויים קליניים הכרחי כדי לעזור לחוקרים לפתח טיפולים שהן יעילים והן בטוחים עבור אוכלוסיות מגוונות, ולהבטיח שהתקדמויות רפואיות יועילו לכולם – לא רק לקבוצות דמוגרפיות נבחרות.

AI יכול לסייע לנותני חסות בניסויים קליניים להתמודד עם אתגרים אלו על ידי הקלה על ניסויים מרוכזים – העברת פעילויות ניסוי למיקומים רחוקים וחלופיים, במקום איסוף נתונים באתר ניסוי קליני מסורתי.

ניסויים מרוכזים רבים משתמשים באביזרים, הקולטים נתונים באופן דיגיטלי, ומנתחים את המידע הרלוונטי באמצעות ניתוחי AI, ובכך מאפשרים גישה לנתונים אנונימיים של משתתפי הניסוי. בשילוב עם בדיקות אלקטרוניות, גישה היברידית זו לביצוע ניסויים קליניים יכולה לבטל מכשולים גאוגרפיים ונטלי תחבורה, ולהפוך את הניסויים לנגישים יותר למגוון רחב יותר של מטופלים.

ניסויים חכמים יותר משמעו טיפולים חכמים יותר

ניסויים קליניים הם עוד תחום שעומד להשתנות באמצעות AI. עם יכולתו לנתח מאגרי נתונים גדולים, לזהות דפוסים, ולאוטומט את התהליכים, AI יכול לספק פתרונות שלמים וחזקים לאתגרים של היום – אופטימיזציה של תכנון ניסוי, שיפור גיוון המטופלים, זרימה של גיוס והישארות, ושבירת מכשולי נגישות.

אם תעשיית הבריאות תמשיך לאמץ פתרונות מבוססי AI, עתיד הניסויים הקליניים עשוי להפוך ליותר כלל-יכול, מרכז-מטופל, וחדשני. האימוץ של טכנולוגיות אלו אינו רק עניין של התאמה למגמות מודרניות – אלא על יצירת מערכת מחקר קליני שמאיצה פיתוח תרופות ומספקת תוצאות בריאותיות שוויוניות יותר לכולם.