Kunstmatige Intelligentie: Het Aanpakken van de Grootste Uitdagingen van Klinische Proeven

Moderne geneeskunde is een wonder, met eerder ondenkbare geneesmiddelen en behandelingen die nu algemeen beschikbaar zijn. Denk aan geavanceerde medische apparaten zoals implanteerbare defibrillatoren die helpen om het hartritme te reguleren en het risico op hartstilstand te verminderen.

Dergelijke doorbraken zouden niet mogelijk zijn geweest zonder klinische proeven – het grondige onderzoek dat de effecten van medische interventies op menselijke deelnemers evalueert.

Helaas is het klinische proefproces in de loop van de tijd trager en duurder geworden. In feite worden slechts een op de zeven geneesmiddelen die de fase I-proeven ingaan – het eerste stadium van testen op veiligheid – uiteindelijk goedgekeurd. Het kost momenteel gemiddeld bijna een miljard dollar aan financiering en een decennium aan werk om één nieuw geneesmiddel op de markt te brengen.

De helft van deze tijd en geld wordt besteed aan klinische proeven, die te maken krijgen met toenemende hindernissen, waaronder inefficiënties in werving, beperkte diversiteit en ontoegankelijkheid voor patiënten. Als gevolg daarvan vertraagt de ontdekking van geneesmiddelen en blijven de kosten stijgen. Gelukkig hebben recente vooruitgang in kunstmatige intelligentie het potentieel om de trend te doorbreken en de ontwikkeling van geneesmiddelen te transformeren ten goede.

Van modellen die complexe eiwitinteracties met opmerkelijke precisie voorspellen, tot AI-gepowered lab-assistenten die routine-taken stroomlijnen, is AI-gedreven innovatie al het farmaceutische landschap aan het hertekenen. Het adopteren van nieuwe AI-mogelijkheden om klinische proefbarrières aan te pakken kan het proefproces voor patiënten, artsen en BioPharma verbeteren, waardoor de weg wordt geëffend voor nieuwe impactvolle geneesmiddelen en mogelijk betere gezondheidsresultaten voor patiënten.

Barrières voor Geneesmiddelenontwikkeling

Geneesmiddelen in ontwikkeling worden geconfronteerd met talloze uitdagingen tijdens het klinische proefproces, wat resulteert in alarmerend lage goedkeuringspercentages van regelgevende instanties zoals de Amerikaanse Food and Drug Administration (FDA). Als gevolg daarvan komen veel onderzoeksmedicijnen nooit op de markt. Sleuteluitdagingen zijn onder meer ontwerpfouten bij proeven, lage patiëntwerving en beperkte patiëntontoegankelijkheid en diversiteit – problemen die elkaar versterken en vooruitgang en gelijkheid in geneesmiddelenontwikkeling belemmeren.

1. Uitdagingen bij de selectie van proeflocaties

Het succes van een klinische proef hangt grotendeels af van of de proeflocaties – meestal ziekenhuizen of onderzoekscentra – voldoende geschikte studiepopulatie kunnen werven en inschrijven. De selectie van locaties is traditioneel gebaseerd op verschillende overlappende factoren, waaronder historische prestaties in eerdere proeven, lokale patiëntpopulatie en demografie, onderzoeks capaciteiten en infrastructuur, beschikbaar onderzoekspersoneel, duur van de wervingsperiode en meer.

Op zichzelf is elk criterium vrij eenvoudig, maar het proces van het verzamelen van gegevens over elk criterium is vol uitdagingen en de resultaten geven mogelijk niet betrouwbaar aan of de locatie geschikt is voor de proef. In sommige gevallen kunnen gegevens eenvoudigweg verouderd of onvolledig zijn, vooral als ze zijn gevalideerd op slechts een kleine steekproef van studies.

De gegevens die helpen bij de selectie van locaties komen ook uit verschillende bronnen, zoals interne databases, abonnementsdiensten, leveranciers of Contract Research Organizations, die klinische proefbeheersdiensten bieden. Met zo veel convergerende factoren kan het aggregaat en beoordelen van deze informatie verwarrend en ingewikkeld zijn, wat in sommige gevallen kan leiden tot suboptimale beslissingen over proeflocaties. Als gevolg daarvan kunnen sponsors – de organisaties die de klinische proef uitvoeren – hun vermogen om patiënten te werven overschatten of onderschatten, wat leidt tot verspilde middelen, vertragingen en lage retentiepercentages.

Hoe kan AI helpen bij het cureren van de selectie van proeflocaties?

Door AI-modellen te trainen met historische en real-time gegevens van potentiële locaties, kunnen proefponsors patiëntinschrijvingspercentages en de prestaties van een locatie voorspellen – waardoor locatie-toewijzing wordt geoptimaliseerd, over- of onder-inschrijving wordt verminderd en de algehele efficiëntie en kosten worden verbeterd. Deze modellen kunnen ook potentiële locaties rangschikken door de beste combinatie van locatiekenmerken en factoren te identificeren die overeenkomen met de studiedoelstellingen en wervingsstrategieën.

AI-modellen getraind met een mix van klinische proefmetadata, medische en apothekersclaimsgegevens en patiëntgegevens van lidmaatschap (primair zorg) diensten kunnen ook helpen bij het identificeren van klinische proeflocaties die toegang bieden tot diverse, relevante patiëntpopulaties. Deze locaties kunnen centraal gelegen zijn voor ondervertegenwoordigde groepen of zelfs plaatsvinden in populaire locaties binnen de gemeenschap, zoals kapperszaken, of geloofsgemeenschappen en gemeenschapscentra, waardoor zowel de barrières van patiëntontoegankelijkheid als de beperkte diversiteit worden aangepakt.

2. Lage patiëntwerving

Patiëntwerving blijft een van de grootste knelpunten in klinische proeven, waarbij tot een derde van de duur van een studie wordt besteed. In feite mislukt één op de vijf proeven om het vereiste aantal deelnemers te werven. Naarmate proeven complexer worden – met extra patiëntcontacten, striktere inclusie- en exclusiecriteria en steeds geavanceerdere studieontwerpen – nemen de wervingsuitdagingen toe. Het is dan ook niet verwonderlijk dat onderzoek een verband legt tussen de toename van protocolcomplexiteit en dalende patiëntinschrijvings- en retentiepercentages.

Bovendien beperken strikte en vaak complex inschrijvingscriteria, die zijn ontworpen om de veiligheid van deelnemers en de integriteit van de studie te waarborgen, vaak de toegang tot behandeling en sluiten bepaalde patiëntpopulaties onevenredig uit, waaronder oudere volwassenen en raciale, etnische en geslachtsmindereheden. Alleen al in oncologieproeven kunnen naar schatting 17–21% van de patiënten niet deelnemen vanwege beperkende inschrijvingsvereisten.

AI is klaar om patiëntinschrijvingscriteria en -werving te optimaliseren. Terwijl werving traditioneel vereist dat artsen patiënten handmatig screenen – wat enorm tijdrovend is – kan AI patiëntprofielen efficiënt en effectief matchen met geschikte proeven.

Bijvoorbeeld kunnen machine learning-algoritmen automatisch significante patronen in grote datasets identificeren, zoals elektronische patiëntendossiers en medische literatuur, om de efficiëntie van patiëntwerving te verbeteren. Onderzoekers hebben zelfs een instrument ontwikkeld dat grote taalmodellen gebruikt om kandidaten op grote schaal te beoordelen en te helpen voorspellen of patiënten in aanmerking komen, waardoor de patiëntenscreeningstijd met meer dan 40% wordt verkort.

Healthtech-bedrijven die AI adopteren, ontwikkelen ook instrumenten die artsen helpen om snel en nauwkeurig te bepalen welke proeven geschikt zijn voor patiënten. Dit ondersteunt de versnelling van werving, waardoor proeven mogelijk eerder kunnen beginnen en patiënten eerder toegang kunnen krijgen tot nieuwe onderzoeksbehandelingen.

3. Patiëntontoegankelijkheid en beperkte diversiteit

AI kan een cruciale rol spelen bij het verbeteren van de toegang tot klinische proeven, vooral voor patiënten uit ondervertegenwoordigde demografische groepen. Dit is belangrijk, omdat ontoegankelijkheid en beperkte diversiteit niet alleen bijdragen aan lage patiëntwerving en -retentie, maar ook leiden tot onevenredige geneesmiddelenontwikkeling.

Denk aan het feit dat klinische proeflocaties meestal geclusterd zijn in stedelijke gebieden en grote academische centra. Het resultaat is dat gemeenschappen in landelijke of onderbediende gebieden vaak geen toegang hebben tot deze proeven. Financiële lasten zoals behandelingskosten, transport, kinderopvang en de kosten van het missen van werk verergeren de barrières voor deelname aan proeven en zijn meer uitgesproken in etnische en raciale minderheden en groepen met een lager dan gemiddeld sociaal-economisch statuut.

Als gevolg daarvan vertegenwoordigen raciale en etnische minderheidsgroepen slechts 2% van de patiënten in Amerikaanse klinische proeven, ondanks dat ze 39% van de nationale bevolking uitmaken. Dit gebrek aan diversiteit vormt een aanzienlijk risico in verband met genetica, die varieert over raciale en etnische populaties en de reactie op geneesmiddelen kan beïnvloeden. Bijvoorbeeld hebben Aziaten, Latino’s en Afro-Amerikanen met atriale fibrilleren (abnormale hartritmes gerelateerd aan hartgerelateerde complicaties) die warfarine nemen, een hoger risico op hersenbloedingen in vergelijking met die van Europese afkomst.

Grotere vertegenwoordiging in klinische proeven is daarom essentieel om onderzoekers te helpen bij het ontwikkelen van behandelingen die zowel effectief als veilig zijn voor diverse populaties, waardoor medische vooruitgang ten goede komt aan iedereen – niet alleen aan geselecteerde demografische groepen.

AI kan klinische proefponsors helpen om deze uitdagingen aan te pakken door gedecentraliseerde proeven te faciliteren – proefactiviteiten te verplaatsen naar afgelegen en alternatieve locaties, in plaats van gegevens te verzamelen op een traditionele klinische proeflocatie.

Gedecentraliseerde proeven maken vaak gebruik van wearables, die gegevens digitaal verzamelen en AI-gepowered analytics gebruiken om relevante anonieme informatie over proefdeelnemers samen te vatten. In combinatie met elektronische check-ins kan deze hybride benadering van klinische proefuitvoering geografische barrières en transportlasten elimineren, waardoor proeven toegankelijker worden voor een bredere range aan patiënten.

Slimmere proeven maken slimmere behandelingen

Klinische proeven zijn nog een sector die door AI kan worden getransformeerd. Met zijn vermogen om grote datasets te analyseren, patronen te identificeren en processen te automatiseren, kan AI holistische en robuuste oplossingen bieden voor de huidige hindernissen – proefontwerp optimaliseren, patiëntdiversiteit verbeteren, werving en retentie stroomlijnen en toegangsbarrières doorbreken.

Als de gezondheidszorgsector AI-gepowered oplossingen blijft adopteren, heeft de toekomst van klinische proeven het potentieel om meer inclusief, patiëntgericht en innovatief te worden. Het omarmen van deze technologieën is niet alleen een kwestie van meegaan met de moderne trends – het gaat erom een klinisch onderzoeksecosysteem te creëren dat geneesmiddelenontwikkeling versnelt en meer eerlijke gezondheidsresultaten oplevert voor iedereen.