Kecerdasan Buatan: Mengatasi Tantangan Terbesar Uji Klinis

Kedokteran modern adalah keajaiban, dengan penyembuhan dan pengobatan yang sebelumnya tidak terbayangkan sekarang tersedia secara luas. Bayangkan perangkat medis canggih seperti defibrillator yang dapat ditanamkan yang membantu mengatur irama jantung dan mengurangi risiko serangan jantung.

Terobosan-terobosan seperti itu tidak akan mungkin terjadi tanpa uji klinis – penelitian yang ketat yang mengevaluasi efek intervensi medis pada peserta manusia.

Sayangnya, proses uji klinis telah menjadi lebih lambat dan lebih mahal seiring waktu. Faktanya, hanya satu dari tujuh obat yang memasuki uji coba fase I – tahap pertama pengujian keamanan – yang akhirnya disetujui. Saat ini, diperlukan sekitar hampir satu miliar dolar dalam pendanaan dan satu dekade kerja untuk membawa satu produk medis baru ke pasar.

Setengah dari waktu dan biaya dihabiskan untuk uji klinis, yang menghadapi hambatan yang meningkat, termasuk ketidakefisienan rekrutmen, keterbatasan keanekaragaman, dan aksesibilitas pasien. Akibatnya, penemuan obat melambat, dan biaya terus meningkat. Untungnya, kemajuan terbaru dalam Kecerdasan Buatan memiliki potensi untuk mematahkan tren dan mengubah pengembangan obat untuk lebih baik.

Dari model yang memprediksi interaksi protein kompleks dengan presisi luar biasa, hingga asisten laboratorium yang ditenagai AI yang menyederhanakan tugas rutin, inovasi yang didorong AI sudah mengubah lanskap farmasi. Mengadopsi kemampuan AI baru untuk mengatasi hambatan uji klinis dapat meningkatkan proses uji coba untuk pasien, dokter, dan BioPharma, membuka jalan bagi obat-obatan baru yang berdampak dan hasil kesehatan yang lebih baik bagi pasien.

Hambatan Pengembangan Obat

Obat yang sedang dikembangkan menghadapi banyak tantangan sepanjang proses uji klinis, yang menghasilkan tingkat persetujuan yang sangat rendah dari badan regulator seperti FDA Amerika Serikat. Akibatnya, banyak obat investigasi tidak pernah mencapai pasar. Tantangan utama termasuk kemunduran desain uji coba, rekrutmen pasien yang rendah, dan aksesibilitas pasien yang terbatas dan keanekaragaman – masalah yang saling memperburuk dan menghambat kemajuan dan kesetaraan dalam pengembangan obat.

1. Tantangan Pemilihan Situs Uji Coba

Keberhasilan uji coba klinis sangat bergantung pada apakah situs uji coba – biasanya rumah sakit atau pusat penelitian – dapat merekrut dan mendaftarkan populasi studi yang cukup. Pemilihan situs tradisional didasarkan pada beberapa faktor yang tumpang tindih, termasuk kinerja historis dalam uji coba sebelumnya, populasi pasien lokal dan demografi, kemampuan penelitian dan infrastruktur, staf penelitian yang tersedia, durasi periode rekrutmen, dan lain-lain.

Secara mandiri, setiap kriteria cukup sederhana, tetapi proses mengumpulkan data sekitar setiap kriteria dipenuhi dengan tantangan dan hasilnya mungkin tidak secara andal menunjukkan apakah situs tersebut sesuai untuk uji coba. Dalam beberapa kasus, data mungkin hanya sudah ketinggalan zaman, atau tidak lengkap, terutama jika divalidasi hanya pada sampel kecil studi.

Data yang membantu menentukan pemilihan situs juga berasal dari sumber yang berbeda, seperti basis data internal, layanan berlangganan, vendor, atau Organisasi Penelitian Kontrak, yang menyediakan layanan manajemen uji coba klinis. Dengan banyak faktor yang bersatu, mengumpulkan dan menilai informasi ini dapat membingungkan dan berliku-liku, yang dalam beberapa kasus dapat menyebabkan keputusan suboptimal tentang situs uji coba. Akibatnya, sponsor – organisasi yang melakukan uji coba klinis – mungkin melebih-lebihkan atau meremehkan kemampuan mereka untuk merekrut pasien dalam uji coba, yang mengarah pada sumber daya yang terbuang, keterlambatan, dan tingkat retensi yang rendah.

Jadi, bagaimana AI dapat membantu dengan mengkurasi pemilihan situs uji coba?

Dengan melatih model AI dengan data historis dan waktu nyata dari situs potensial, sponsor uji coba dapat memprediksi tingkat pendaftaran pasien dan kinerja situs – mengoptimalkan alokasi situs, mengurangi kelebihan atau kekurangan pendaftaran, dan meningkatkan efisiensi dan biaya secara keseluruhan. Model ini juga dapat menilai situs potensial dengan mengidentifikasi kombinasi terbaik dari atribut situs dan faktor yang selaras dengan tujuan studi dan strategi rekrutmen.

Model AI yang dilatih dengan campuran metadata uji coba klinis, klaim medis dan farmasi, dan data pasien dari layanan keanggotaan (perawatan primer) juga dapat membantu mengidentifikasi situs uji coba yang akan memberikan akses ke populasi pasien yang beragam dan relevan. Situs-situs ini dapat berlokasi di pusat untuk kelompok yang kurang terwakili atau bahkan berlangsung di tempat populer dalam komunitas seperti toko barber, atau pusat komunitas dan keagamaan, membantu mengatasi hambatan aksesibilitas pasien dan kekurangan keanekaragaman.

2. Rekrutmen Pasien yang Rendah

Rekrutmen pasien tetap menjadi salah satu bottleneck terbesar dalam uji coba klinis, menghabiskan hingga sepertiga dari durasi studi. Faktanya, satu dari lima uji coba gagal merekrut jumlah peserta yang diperlukan. Ketika uji coba menjadi lebih kompleks – dengan tambahan titik kontak pasien, kriteria inklusi dan eksklusi yang lebih ketat, dan desain studi yang semakin canggih – tantangan rekrutmen terus tumbuh. Tidak mengherankan, penelitian menghubungkan peningkatan kompleksitas protokol dengan penurunan tingkat pendaftaran dan retensi pasien.

Di atas itu, kriteria kelayakan yang ketat dan sering kompleks, yang dirancang untuk memastikan keamanan peserta dan integritas studi, sering membatasi akses ke pengobatan dan secara tidak proporsional mengecualikan populasi pasien tertentu, termasuk orang dewasa yang lebih tua dan minoritas ras, etnis, dan gender. Dalam uji coba onkologi saja, diperkirakan 17–21% pasien tidak dapat mendaftar karena persyaratan kelayakan yang terlalu ketat.

AI siap untuk mengoptimalkan kriteria kelayakan pasien dan rekrutmen. Sementara rekrutmen secara tradisional memerlukan dokter untuk secara manual menyaring pasien – yang sangat memakan waktu – AI dapat secara efisien dan efektif mencocokkan profil pasien dengan uji coba yang sesuai.

Misalnya, algoritma pembelajaran mesin dapat secara otomatis mengidentifikasi pola yang signifikan dalam dataset besar, seperti catatan kesehatan elektronik dan literatur medis, untuk meningkatkan efisiensi rekrutmen pasien. Peneliti bahkan telah mengembangkan alat yang menggunakan model bahasa besar untuk secara cepat meninjau calon pada skala besar dan membantu memprediksi kelayakan pasien, mengurangi waktu penyaringan pasien lebih dari 40%.

Perusahaan Healthtech yang mengadopsi AI juga mengembangkan alat yang membantu dokter untuk dengan cepat dan akurat menentukan uji coba yang layak untuk pasien. Ini mendukung percepatan rekrutmen, memungkinkan uji coba untuk dimulai lebih cepat dan memberikan pasien akses lebih awal ke pengobatan investigasi baru.

3. Aksesibilitas Pasien dan Keterbatasan Keanekaragaman

AI dapat memainkan peran kritis dalam meningkatkan akses ke uji coba klinis, terutama bagi pasien dari kelompok demografi yang kurang terwakili. Ini penting, karena aksesibilitas yang terbatas dan keanekaragaman yang rendah tidak hanya menyumbang pada rekrutmen pasien yang rendah dan tingkat retensi yang rendah, tetapi juga menyebabkan pengembangan obat yang tidak adil.

Pertimbangkan bahwa situs uji coba klinis umumnya terkonsentrasi di daerah perkotaan dan pusat akademik besar. Hasilnya adalah komunitas di daerah pedesaan atau terpinggirkan sering tidak dapat mengakses uji coba ini. Beban keuangan seperti biaya pengobatan, transportasi, pengasuhan anak, dan biaya kehilangan pekerjaan memperburuk hambatan partisipasi uji coba dan lebih menonjol pada minoritas etnis dan ras serta kelompok dengan status sosioekonomi yang lebih rendah dari rata-rata.

Akibatnya, kelompok minoritas ras dan etnis mewakili hanya 2% pasien dalam uji coba klinis AS, meskipun mereka membentuk 39% dari populasi nasional. Kekurangan keanekaragaman ini menimbulkan risiko signifikan dalam kaitannya dengan genetika, yang bervariasi di seluruh populasi ras dan etnis dan dapat mempengaruhi respons obat yang merugikan. Misalnya, orang Asia, Latin, dan Afrika-Amerika dengan fibrilasi atrium (irama jantung abnormal yang terkait dengan komplikasi jantung) yang mengambil warfarin, obat yang mencegah pembekuan darah, memiliki risiko perdarahan otak yang lebih tinggi dibandingkan dengan mereka yang berasal dari keturunan Eropa.

Representasi yang lebih besar dalam uji coba klinis sangat penting untuk membantu peneliti mengembangkan pengobatan yang efektif dan aman untuk populasi yang beragam, memastikan bahwa kemajuan medis dapat dinikmati oleh semua orang – bukan hanya kelompok demografi tertentu.

AI dapat membantu sponsor uji coba klinis untuk mengatasi tantangan ini dengan memfasilitasi uji coba yang terdesentralisasi – memindahkan kegiatan uji coba ke lokasi jarak jauh dan alternatif, bukan mengumpulkan data di situs uji coba klinis tradisional.

Uji coba yang terdesentralisasi sering menggunakan perangkat yang dapat dikenakan, yang mengumpulkan data secara digital dan menggunakan analitik yang ditenagai AI untuk meringkas informasi anonim yang relevan tentang peserta uji coba. Dikombinasikan dengan check-in elektronik, pendekatan hibrida ini untuk pelaksanaan uji coba klinis dapat menghilangkan hambatan geografis dan beban transportasi, membuat uji coba lebih mudah diakses oleh berbagai pasien.

Uji Coba yang Lebih Pintar Membuat Pengobatan yang Lebih Pintar

Uji coba klinis adalah salah satu sektor lain yang dapat diubah oleh AI. Dengan kemampuan untuk menganalisis dataset besar, mengidentifikasi pola, dan mengotomatisasi proses, AI dapat memberikan solusi holistik dan kuat untuk hambatan saat ini – mengoptimalkan desain uji coba, meningkatkan keanekaragaman pasien, menyederhanakan rekrutmen dan retensi, dan menghancurkan hambatan aksesibilitas.

Jika industri kesehatan terus mengadopsi solusi yang ditenagai AI, maka masa depan uji coba klinis memiliki potensi untuk menjadi lebih inklusif, berpusat pada pasien, dan inovatif. Mengadopsi teknologi ini bukan hanya tentang mengikuti tren modern – ini tentang menciptakan ekosistem penelitian klinis yang mempercepat pengembangan obat dan memberikan hasil kesehatan yang lebih adil bagi semua.