人工知能：臨床試験の最大の課題に対処する

現代医学は、以前考えられないほどの治療と治癒が広く利用できるようになりました。心臓のリズムを調整し、心停止のリスクを減らすための植え込み可能な除細動器などの高度な医療機器を考えてみましょう。

これらのブレークスルーは、医療介入の影響を人間の参加者に評価する厳格な研究である臨床試験がなければ達成できなかったでしょう。

残念ながら、臨床試験プロセスは時間の経過とともに遅くなり、高くなりました。実際、第1相試験（安全性の最初の段階）に参加する薬剤のうち、7分の1だけが最終的に承認されます。新しい医薬品を市場に導入するには、平均して10億ドル以上の資金と10年以上の期間が必要です。

そのうちの半分は臨床試験に費やされますが、臨床試験は、募集の非効率、多様性の欠如、患者へのアクセス性の低さなどの障害に直面しています。結果として、薬剤発見のスピードが遅くなり、コストが増続しています。幸いなことに、最近の人工知能の進歩は、トレンドを打ち破り、薬剤開発を改善する可能性があります。

タンパク質の複雑な相互作用を予測するモデルや、ルーチン タスクを合理化する AI ポワード ラボ アシスタントなど、AI ドライブのイノベーションはすでに製薬業界を変革しています。臨床試験の障害に対処するための新しい AI 機能を採用することで、試験プロセスを患者、医師、バイオファーマに優化し、新しい効果的な薬剤の道を開き、患者にとってより良い健康結果につながる可能性があります。

薬剤開発の障害

開発中の薬剤は、臨床試験プロセスを通じて多くの課題に直面しています。その結果、米国食品医薬品局 (FDA) などの規制機関からの承認率は低くなり、多くの調査中の薬剤は市場に到達しません。主な課題には、試験設計の障害、患者募集の低さ、患者へのアクセス性と多様性の限界があります。これらの問題は相互に作用し、薬剤開発の進歩と公平性を妨げます。

1. 試験サイト選択の課題

臨床試験の成功は、試験サイト（通常は病院または研究センター）が十分な数の適切な研究参加者を募集して登録できるかどうかに大きく依存します。サイト選択は、従来、以前の試験での履歴、地元の患者人口と人口統計、研究能力とインフラストラクチャ、利用可能な研究スタッフ、募集期間の長さなど、複数の重複する要因に基づいて行われます。

それぞれの基準は単独で見れば比較的単純ですが、各基準のデータを収集するプロセスは課題に満ちており、結果はサイトが試験に適しているかどうかを信頼性高く示すとは限りません。場合によっては、データが単に古くなっているか、不完全な場合があります。特に、わずかな数の研究で検証された場合にそうです。

サイト選択を支援するデータは、さまざまなソースから来ます。例えば、内部データベース、サブスクリプション サービス、ベンダー、または契約研究機関（CRO）が提供する臨床試験管理サービスなどです。これらの多数の要因が集まると、情報を集め、評価するプロセスが混乱し、複雑になる可能性があり、場合によってはサイト選択の決定が最適でない可能性があります。結果として、試験を実施するスポンサーは、患者を試験に参加させる能力を過大評価または過小評価する可能性があり、リソースの浪費、遅延、低い保持率につながります。

では、AI は試験サイト選択をどのように支援できますか?

潜在的なサイトの歴史的およびリアルタイム データで AI モデルをトレーニングすることで、試験スポンサーは患者登録率とサイトのパフォーマンスを予測でき、サイト割り当てを最適化し、過剰または不足した登録を減らし、全体的な効率とコストを向上させることができます。これらのモデルは、試験の目標と募集戦略に合致するサイト属性と要因の最良の組み合わせを特定することで、潜在的なサイトをランク付けすることもできます。

臨床試験のメタデータ、医薬品請求データ、患者データなどでトレーニングされた AI モデルは、多様で関連性の高い患者集団にアクセスできる臨床試験サイトを特定するのにも役立ちます。こうしたサイトは、代表されていないグループのために中央に位置するか、コミュニティ内で人気のある場所（例：理容店、信仰ベースのコミュニティ センターなど）に設置される可能性があり、患者へのアクセス性と多様性の限界という両方の障害に対処するのに役立ちます。

2. 患者募集の低さ

患者募集は、臨床試験で最大のボトルネックの 1 つであり、研究の期間の 3 分の 1 を占めることがあります。実際、5 分の 1 の試験が必要な参加者数を募集できません。試験が複雑になるにつれて（患者との接触が増える、包含および除外基準が厳しくなる、研究設計がより洗練される）、募集の課題は続きます。不思議にも、研究は、プロトコルの複雑性の増加と患者登録および保持率の低下を関連付けます。

さらに、厳格で複雑な適性基準は、治療へのアクセスを制限し、特に高齢者や人種、民族、性別の少数派を含む特定の患者集団を不当に除外します。がん試験だけを見ても、推定17〜21%の患者が、制限的な適性要件のために登録できません。

AI は、患者適性基準と募集を最適化することで役立ちます。従来、募集には医師が手動で患者をスクリーニングする必要がありましたが、これは非常に時間がかかります。AI は、患者プロファイルを適切な試験に効率的にかつ効果的にマッチングできます。

たとえば、マシン ラーニング アルゴリズムは、電子ヘルス レコードや医療文献などの大規模なデータセット内で有意なパターンを自動的に特定し、患者募集の効率を向上させることができます。研究者は、候補者を大規模に迅速にレビューし、患者適性を予測するのに役立つツールを開発しました。これにより、患者スクリーニング時間が40%以上短縮されます。

ヘルス テック企業が AI を採用して、医師が患者に適した試験を迅速かつ正確に判断できるツールを開発しています。これにより、募集が加速され、試験が早く開始され、患者が新しい調査中の治療に早くアクセスできるようになります。

3. 患者へのアクセス性と多様性の限界

AI は、特に代表されていない人口統計グループの患者に対して、臨床試験へのアクセスを改善する上で重要な役割を果たす可能性があります。これは、患者へのアクセス性と多様性の限界が、患者募集と保持率の低さだけでなく、薬剤開発の不平等にも寄与するため、重要です。

臨床試験サイトは一般に都市部や大規模な学術センターに集中しているため、結果として、農村部や貧困層の地域ではこれらの試験にアクセスできません。治療費、交通費、子ども 養育費、仕事を休むことによるコストなどの経済的負担は、試験への参加の障害となり、特に人種や民族の少数派や平均以下の社会経済的地位を持つグループでは顕著です。

結果として、アメリカの臨床試験では、人種や民族の少数派が患者として参加する割合は 2% 以下です。彼らは国民の 39% を占めています。この多様性の欠如は、遺伝子変異が人種や民族の集団間で異なる可能性があるため、有害な薬物反応に影響を及ぼす可能性があるため、重大なリスクをもたらします。たとえば、アジア人、ラテン系アメリカ人、アフリカ系アメリカ人は、心房細動（心臓の複雑なリズム異常）を持っており、血栓を予防する薬物であるワルファリンを服用すると、ヨーロッパ系アメリカ人よりも脳出血のリスクが高くなります。

臨床試験に多様な参加者を増やすことは、研究者がさまざまな人口統計グループに対して効果的で安全な治療法を開発するのに役立ち、医療の進歩がすべての人々、特に特定の人口統計グループだけに利益をもたらさないようにすることが重要です。

AI は、臨床試験スポンサーがこれらの課題に対処するのを支援できます。試験活動を従来の臨床試験サイトではなく、リモートまたは代替の場所に移すことで、分散型試験を促進します。

分散型試験では、ウェアラブル デバイスを使用してデータをデジタルに収集し、AI ポワード アナリティクスを使用して参加者の匿名化された関連情報を要約します。このハイブリッド アプローチは、地理的な障害や交通の負担を排除し、より幅広い患者層に試験をアクセス可能にします。

賢い試験は賢い治療法を生み出す

臨床試験は、AI によって変革されるもう 1 つの分野です。AI は、大規模なデータセットを分析し、パターンを特定し、プロセスを自動化する能力を備えているため、今日の障害に対する包括的で堅牢な解決策を提供できます。試験設計を最適化し、患者多様性を高め、募集と保持を合理化し、参加の障害を排除することができます。

ヘルスケア業界が AI ポワード ソリューションを継続して採用する場合、臨床試験の将来は、より包括的で、患者中心で、革新的になる可能性があります。これらのテクノロジーを採用することは、単に最新のトレンドに追随することではなく、薬剤開発を促進し、すべての人々にとってより公平なヘルスケア成果を提供する臨床研究エコシステムを作成することです。