ํฌ์ค์ผ์ด
์ธ๊ณต ์ง๋ฅ: ์์ ์ํ์ ๊ฐ์ฅ ํฐ ๋์ ๊ณผ์ ํด๊ฒฐ
현대 의학은 기적과도 같은 것으로, 이전에는 상상할 수 없었던 치료와 치료법이 이제 널리 사용되고 있다. 심장 리듬을 조절하고 심장 마비의 위험을 줄이는 데 도움이 되는 심장 제세동기와 같은 고급 의료 기기를 생각해 보라.
이러한 획기적인 발전은 임상 시험 없이 가능하지 않았을 것이다. 임상 시험은 인간 참가자의 의료 개입 효과를 평가하는 엄격한 연구이다.
불행히도 임상 시험 과정은 시간이 지남에 따라 더 느려지고 더 비싸졌다. 실제로 1차 시험에 들어가는 7개 중 1개의 약물만이 최终적으로 승인된다. 새로운 의약품을 시장에 출시하는 데는 평균적으로 거의 10억 달러의 자금과 10년의 작업이 필요하다.
이 중 절반은 임상 시험에 소요되는데, 임상 시험은 모집 효율성, 다양성 제한, 환자 접근성 제한과 같은 장애물에 직면해 있다. 결과적으로 약물 발견은 느려지고 비용은 계속 증가한다.幸い, 최근 인공 지능의 발전은 이러한 추세를 깰 수 있고 약물 개발을 더 좋게変換할 수 있다.
복잡한 단백질 상호 작용을 놀라운 정밀도로 예측하는 모델부터 루틴 작업을 스트리밍하는 AI 기반 연구 보조까지, AI 주도 혁신은 이미 제약 산업을変換하고 있다. 임상 시험 장벽을 해결하기 위한 새로운 AI 기능을 채택하면 환자, 의사, 생물 제약 산업을 위한 시험 과정을 향상시킬 수 있으며, 새로운 영향력 있는 약물과 잠재적으로 더好的 건강 결과를 위한 길을 열 수 있다.
약물 개발의 장벽
개발 중인 약물은 임상 시험 과정에서 수많은 도전을 직면한다. 이는 미국 식품의약국(FDA)과 같은 규제 기관에서 경보하는 낮은 승인률을 초래한다. 결과적으로 많은 조사 중인 약물이 시장에 도달하지 못한다. 주요 도전 과제로는 시험 설계 세트백, 낮은 환자 모집, 제한된 환자 접근성 및 다양성이 포함되며, 이러한 문제는 서로 복합적으로 작용하여 진행과 공정성을 방해한다.
1. 시험 사이트 선택 도전
임상 시험의 성공은 시험 사이트(일반적으로 병원 또는 연구 센터)가 충분한 적격 연구 인구를 모집 및 등록할 수 있는지 여부에 크게 зависит. 사이트 선택은 전통적으로 역사적인 성과, 지역 환자 인구 및 인구 통계, 연구 능력 및 인프라, 이용 가능한 연구 직원, 모집 기간 등 여러 중복 요인에 기반한다.
각 기준은 독립적으로 간단하지만, 각 기준에 대한 데이터를 수집하는 과정은 도전 과제와 함께 있으며, 결과는 사이트가 시험에 적합한지 여부를 신뢰할 수 있게 나타내지 않을 수 있다. 경우에 따라 데이터는 단순히 구식이거나, 특히 작은 샘플의 연구에만 검증된 경우 불완전할 수 있다.
사이트 선택을 결정하는 데 도움이 되는 데이터는 내부 데이터베이스, 구독 서비스, 벤더 또는 임상 시험 관리 서비스를 제공하는 계약 연구 기관과 같은 다양한 출처에서 나온다. 이러한 수많은 요인이 수렴하는 경우 이러한 정보를 집계하고 평가하는 것은 혼란스럽고 복잡할 수 있으며, 경우에 따라 최적의 사이트 선택 결정을 내릴 수 있다. 결과적으로, 임상 시험을 수행하는 조직(스폰서)은 환자 모집 능력을 과대 또는 과소 평가할 수 있으며, 이는 자원 낭비, 지연 및 낮은 유지率로 이어진다.
그렇다면 AI는 어떻게 시험 사이트 선택을 다루는 데 도움이 될 수 있는가?
AI 모델을 잠재적 사이트의 역사적 및 실시간 데이터로 훈련하면 시험 스폰서는 환자 등록률 및 사이트 성능을 예측할 수 있으며, 사이트 할당을 최적화하고, 과다 또는 과소 등록을 줄이며, 전체 효율성과 비용을 개선할 수 있다. 이러한 모델은 또한 사이트 속성과 요인의 최적 조합을 식별하여 연구 목표와 모집 전략에 따라 잠재적 사이트를 순위 매길 수 있다.
임상 시험 메타데이터, 의료 및 약국 청구 데이터, 회원(1차 진료) 서비스의 환자 데이터와 같은 혼합 데이터로 훈련된 AI 모델은 또한 임상 시험 사이트가 다양한 관련 환자 인구에 접근할 수 있도록 도와줄 수 있다. 이러한 사이트는 소외된 집단을 위한 중앙 위치에 있을 수 있거나, 커뮤니티 내의 인기 있는 사이트(예: 이발소, 신앙 기반 및 커뮤니티 센터)에서 진행될 수 있으며, 이는 환자 접근성 및 다양성 부족의 장벽을 모두 해결하는 데 도움이 될 수 있다.
2. 낮은 환자 모집
환자 모집은 임상 시험에서 가장 큰 병목 현상 중 하나로, 연구 기간의 약 1/3을 차지한다. 실제로, 5개 중 1개의 시험이 필요한 참가자 수를 모집하지 못한다. 시험은 더 복잡해지면서(추가 환자 접촉점, 더 엄격한 포함 및 제외 기준, 점점 더 정교한 연구 설계) 모집 도전 과제는 계속 증가한다. 놀라지 않을 수 없는 것은, 연구가 프로토콜 복잡성의 증가와 환자 등록 및 유지 率의 감소와 관련이 있음을 보여준다.
또한, 엄격하고 종종 복잡한 적격성 기준은 참가자 안전과 연구 무결성을 보장하기 위해 설계되었지만, 종종 치료 접근을 제한하고, 특히 노인과 인종, 민족 및 성별 소수자와 같은 특정 환자 인구를 불균형적으로 제외한다. 종양학 시험만으로는, 약 17-21%의 환자가 제한적 인 적격성 요구 사항으로 인해 등록할 수 없다.
AI는 환자 적격성 기준과 모집을 최적화할 수 있다. 모집은 전통적으로 의사가 수동으로 환자를 스크린해야 했으며, 이는 매우 시간이 소요되는 작업이다. AI는 효율적이고 효과적으로 환자 프로필을 적합한 시험과 일치시킬 수 있다.
예를 들어, 기계 학습 알고리즘은 전자 건강 기록과 의학 문헌과 같은 대규모 데이터 세트에서 의미 있는 패턴을 자동으로 식별하여 환자 모집 효율성을 개선할 수 있다. 연구자들은 또한 대규모 언어 모델을 사용하여 대규모로 후보자를 신속하게 검토하고 환자 적격성을 예측하는 데 도움이 되는 도구를 개발했다. 이는 환자 스크리닝 시간을 40% 이상 단축할 수 있다.
Healthtech 회사에서 AI를 채택하여 의사가 환자에게 빠르고 정확하게 적합한 시험을 결정하는 데 도움이 되는 도구를 개발하고 있다. 이는 모집 가속화를 지원하며, 잠재적으로 시험을 더 빠르게 시작하고, 따라서 환자에게 새로운 조사 중인 치료법에 대한 더 빠른 접근을 제공할 수 있다.
3. 환자 접근성 및 제한된 다양성
AI는 임상 시험에 대한 환자 접근성을 개선하는 데 중요한 역할을 할 수 있다. 특히, 소외된 인구 집단의 환자에게 중요하다. 이는 접근성 및 다양성의 제한이 낮은 환자 모집 및 유지 率에 기여할 뿐만 아니라, 불공평한 약물 개발을 초래하기 때문이다.
임상 시험 사이트는 일반적으로 도시 지역과 대형 학술 센터에 집중되어 있다는 것을 고려하라. 결과는 농촌이나 소외된 지역의 커뮤니티가 이러한 시험에 접근할 수 없다는 것이다. 치료 비용, 교통, 아동 보육, 근무를 놓친 비용과 같은 금전적 부담은 시험 참여의 장벽을 가중시키며, 인종 및 민족 소수자와 평균以下의 사회 경제적 지위를 가진 그룹에서 더 두드러진다.
결과적으로, 인종 및 민족 소수자는 미국 임상 시험의 환자로 구성된 인구의 최대 2%를 차지한다. 이는 미국 인구의 39%를 차지한다. 이러한 다양성의 부족은 유전적 차이를 초래하며, 이는 부작용에 대한 약물 반응에 영향을 줄 수 있다. 예를 들어, 심방 세동(심장 관련 합병증과 관련된 비정상적인 심장 리듬)을 가진 아시아인, 라틴 아메리카인 및 아프리카계 미국인은 와파린(혈栓을 방지하는 약물)을 복용할 때 유럽계에 비해 뇌 출혈의 위험이 더 높다.
임상 시험에서 더 큰 대표성이 필수적이며, 이는 연구자들이 다양한 인구에 효과적이고 안전한 치료법을 개발하는 데 도움이 된다. 이는 의학적 발전이 모든 인구에게, 선택된 인구 집단만이 아닌, 혜택을 제공하는 것을 보장한다.
AI는 임상 시험 스폰서가 이러한 도전 과제를 해결하는 데 도움을 줄 수 있다. 시험 활동을 원격 및 대체 위치로 이동하여 전통적인 임상 시험 사이트에서 데이터를 수집하는 대신, 분산된 시험을 촉진함으로써 그렇게 할 수 있다.
분산된 시험은 일반적으로 데이터를 디지털로 수집하고, AI 기반 분석을 사용하여 관련 匿名 정보를 요약하는 웨어러블을 사용한다. 전자 체크인과 결합된 이 하이브리드 접근 방식은 지리적 장벽과 교통 부담을 제거하여, 더广い 환자에게 시험에 접근할 수 있도록 할 수 있다.
지능형 시험은 지능형 치료법을 만든다
임상 시험은 또 다른 분야로, AI에 의해 변혁될 수 있다. 대규모 데이터 세트를 분석하고, 패턴을 식별하며, 프로세스를 자동화하는 능력으로, AI는 오늘날의 장벽에 대한 포괄적이고 강력한 솔루션을 제공할 수 있다. 시험 설계를 최적화하고, 환자 다양성을 향상시키고, 모집 및 유지 率을 간소화하며, 접근성 장벽을 깰 수 있다.
의료 산업이 AI 기반 솔루션을 계속 채택한다면, 임상 시험의 미래는 더 包容적이고, 환자 중심적이고, 혁신적이 될 수 있다. 이러한 기술을 채택하는 것은 최신 트렌드를 따라가는 것만이 아니라, 약물 개발을 가속화하고, 모든 인구에게 더 公平한 의료 결과를 제공하는 임상 연구 생태계를 만들기 위한 것이다.
