Kecerdasan Buatan: Mengatasi Tantangan Besar Uji Klinis

Medisin modern adalah keajaiban, dengan penyembuhan dan pengobatan yang tidak terbayangkan sebelumnya 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 klinis fase I – tahap pertama pengujian keamanan – yang akhirnya disetujui. Saat ini, dibutuhkan 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 inefisiensi rekrutmen, keterbatasan keanekaragaman, dan ketidakaksesan pasien. Akibatnya, penemuan obat melambat, dan biaya terus meningkat. Untungnya, kemajuan baru-baru ini dalam Kecerdasan Buatan memiliki potensi untuk mematahkan tren ini dan mengubah pengembangan obat menjadi lebih baik.

Dari model yang memprediksi interaksi protein kompleks dengan presisi yang luar biasa, hingga asisten laboratorium yang ditenagai AI yang menyederhanakan tugas-tugas rutin, inovasi yang ditenagai AI sudah mulai mengubah lanskap farmasi. Mengadopsi kemampuan AI baru untuk mengatasi hambatan uji klinis dapat meningkatkan proses uji klinis untuk pasien, dokter, dan BioPharma, membuka jalan bagi obat-obat baru yang berdampak dan mungkin 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 pengawas seperti FDA. Akibatnya, banyak obat yang tidak pernah mencapai pasar. Tantangan utama termasuk kesulitan desain uji, rekrutmen pasien yang rendah, dan keterbatasan akses dan keanekaragaman pasien – masalah yang saling terkait dan menghambat kemajuan dan kesetaraan dalam pengembangan obat.

1. Tantangan Pemilihan Situs Uji

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

Sendiri, setiap kriteria cukup sederhana, tetapi proses pengumpulan data sekitar setiap kriteria dipenuhi dengan tantangan dan hasilnya mungkin tidak secara andal menunjukkan apakah situs tersebut sesuai untuk uji. 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 database internal, layanan berlangganan, vendor, atau Organisasi Penelitian Kontrak, yang menyediakan layanan manajemen uji klinis. Dengan banyak faktor yang bersamaan, mengumpulkan dan menilai informasi ini dapat membingungkan dan rumit, yang dalam beberapa kasus dapat menyebabkan keputusan yang tidak optimal tentang situs uji. Akibatnya, sponsor – organisasi yang melakukan uji klinis – mungkin melebih-lebihkan atau meremehkan kemampuan mereka untuk merekrut pasien dalam uji, yang mengakibatkan sumber daya yang terbuang, penundaan, dan tingkat retensi yang rendah.

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

Dengan melatih model AI dengan data historis dan waktu nyata dari situs potensial, sponsor uji 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 atribut situs dan faktor yang paling sesuai dengan tujuan dan strategi rekrutmen studi.

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

2. Rekrutmen Pasien yang Rendah

Rekrutmen pasien tetap menjadi salah satu hambatan terbesar dalam uji klinis, yang menghabiskan hingga sepertiga dari durasi studi. Faktanya, satu dari lima uji gagal merekrut jumlah peserta yang dibutuhkan. Ketika uji menjadi lebih kompleks – dengan poin kontak pasien tambahan, 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 pendaftaran dan retensi pasien.

Di atas ini, kriteria kelayakan yang ketat dan seringkali 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 onkologi saja, diperkirakan 17–21% pasien tidak dapat mendaftar karena persyaratan kelayakan yang restriktif.

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

Sebagai contoh, 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 yang sesuai untuk pasien. Ini mendukung percepatan rekrutmen, yang berpotensi memungkinkan uji untuk dimulai lebih awal dan memberikan pasien akses lebih awal ke pengobatan investigasi baru.

3. Akses Pasien dan Keterbatasan Keanekaragaman

AI dapat memainkan peran kritis dalam meningkatkan akses ke uji klinis, terutama untuk pasien dari kelompok demografi yang kurang terwakili. Ini penting, karena ketidakaksesan dan keterbatasan keanekaragaman tidak hanya menyebabkan tingkat rekrutmen dan retensi pasien yang rendah, tetapi juga mengakibatkan pengembangan obat yang tidak setara.

Pertimbangkan bahwa situs uji klinis biasanya terkonsentrasi di daerah perkotaan dan pusat akademik besar. Akibatnya, komunitas di daerah pedesaan atau terpencil seringkali tidak dapat mengakses uji ini. Biaya keuangan seperti biaya pengobatan, transportasi, pengasuhan anak, dan biaya kehilangan pekerjaan memperburuk hambatan untuk berpartisipasi dalam uji dan lebih parah pada minoritas ras dan etnis serta kelompok dengan status sosioekonomi yang lebih rendah dari rata-rata.

Sebagai hasilnya, kelompok minoritas ras dan etnis mewakili hanya 2% pasien dalam uji klinis AS, meskipun mereka membentuk 39% dari populasi nasional. Kekurangan keanekaragaman ini berisiko besar dalam kaitannya dengan genetika, yang bervariasi di seluruh populasi ras dan etnis dan dapat mempengaruhi respons obat yang merugikan. Sebagai contoh, 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 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 klinis untuk mengatasi tantangan ini dengan memfasilitasi uji yang terdesentralisasi – memindahkan kegiatan uji ke lokasi jauh dan alternatif, bukan mengumpulkan data di situs uji klinis tradisional.

Uji 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. Dengan menggabungkan check-in elektronik, pendekatan hibrida ini untuk pelaksanaan uji klinis dapat menghilangkan hambatan geografis dan biaya transportasi, membuat uji lebih dapat diakses oleh berbagai pasien.

Uji yang Lebih Pintar Membuat Pengobatan yang Lebih Pintar

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

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