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

De 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 van een 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 proces van klinische proeven langzamer en duurder geworden. Feitelijk wordt slechts één op de zeven geneesmiddelen die de fase-I-proeven ingaan – het eerste stadium van testen op veiligheid – uiteindelijk goedgekeurd. Het kost gemiddeld bijna een miljard dollar aan financiering en een decennium van 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 vooruitgangen in kunstmatige intelligentie het potentieel om deze trend te doorbreken en de ontwikkeling van geneesmiddelen te transformeren ten goede.

Van modellen die complexe eiwitinteracties met opmerkelijke precisie voorspellen, tot AI-gepowered labassistenten die routine taken stroomlijnen, is AI-gedreven innovatie al het farmaceutische landschap aan het herschappen. 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 potentieel betere gezondheidsresultaten voor patiënten.

Belemmeringen voor de Ontwikkeling van Geneesmiddelen

Geneesmiddelen in ontwikkeling worden geconfronteerd met talloze uitdagingen tijdens het proces van klinische proeven, wat resulteert in alarmingly lage goedkeuringspercentages van regelgevende instanties zoals de Amerikaanse Food and Drug Administration (FDA). Als gevolg daarvan bereiken veel onderzoeksmedicijnen nooit de markt. Belangrijke uitdagingen omvatten ontwerpfouten in proeven, lage patiëntwerving en beperkte toegankelijkheid en diversiteit van patiënten – problemen die elkaar versterken en de vooruitgang en gelijkheid in de ontwikkeling van geneesmiddelen hinderen.

1. Uitdagingen bij de Selectie van Proeflocaties

Het succes van een klinische proef hangt grotendeels af van of de proeflocaties – meestal ziekenhuizen of onderzoekscentra – in staat zijn om voldoende geschikte deelnemers te werven en in te schrijven. 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, beschikbare onderzoeksstaf, 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 met uitdagingen en de resultaten geven mogelijk niet betrouwbaar aan of de locatie geschikt is voor de proef. In sommige gevallen kunnen de gegevens gewoon verouderd of onvolledig zijn, vooral als ze alleen zijn gevalideerd op een kleine steekproef van studies.

De gegevens die helpen bij de selectie van locaties komen uit verschillende bronnen, zoals interne databases, abonnementsdiensten, leveranciers of Contract Research Organisaties, die diensten voor klinische proefbeheer bieden. Met zoveel convergerende factoren kan het aggregeren 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 – het optimaliseren van locatieallocatie, het reduceren van over- of onderinschrijving en het verbeteren van de algehele efficiëntie en kosten. 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 farmaceutische claimsgegevens en patiëntgegevens van lidmaatschapsdiensten (primair zorg) 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 barbershops, 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. Feitelijk één op de vijf proeven faalt om het vereiste aantal deelnemers te werven. Naarmate proeven complexer worden – met extra patiëntcontacten, strengere inclusie- en exclusiecriteria en steeds geavanceerdere studieontwerpen – blijven de wervingsuitdagingen toenemen. Het is dan ook niet verwonderlijk dat onderzoek een verband legt tussen de toename van protocolcomplexiteit en de daling van patiëntinschrijving en retentiepercentages.

Daarbovenop beperken strikte en vaak complex inclusiecriteria, 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 zijn naar schatting 17-21% van de patiënten niet in staat om deel te nemen vanwege beperkende inclusiecriteria.

AI is klaar om patiëntwerving en -selectie 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.

Machine learning-algoritmes kunnen bijvoorbeeld 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 snel kandidaten op grote schaal te beoordelen en te helpen voorspellen of patiënten in aanmerking komen, waardoor de tijd die nodig is voor patiëntenscreening 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 -retentiepercentages, maar ook leiden tot onevenredige geneesmiddelenontwikkeling.

Overweeg 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 behandelingkosten, transport, kinderopvang en de kosten van het missen van werk verergeren de barrières voor proefdeelname en zijn meer uitgesproken in etnische en raciale minderheden en groepen met een lager dan gemiddeld sociaal-economisch status.

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 atriumfibrilleren (abnormale hartritmes gerelateerd aan hartgerelateerde complicaties) die warfarine nemen, een medicijn dat bloedstolsels voorkomt, een hoger risico op hersenbloedingen in vergelijking met mensen 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 analyses gebruiken om relevante geanonimiseerde informatie over proefdeelnemers samen te vatten. In combinatie met elektronische controles kan deze hybride benadering van klinische proeven de geografische barrières en transportlasten elimineren, waardoor proeven toegankelijker worden voor een bredere range van patiënten.

Slimmere Proeven Zorgen voor Slimmere Behandelingen

Klinische proeven zijn nog een sector die door AI kan worden getransformeerd. Met de mogelijkheid 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 toegankelijkheidsbarrières 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 moderne trends – het gaat erom een klinisch onderzoeksecosysteem te creëren dat de ontwikkeling van geneesmiddelen versnelt en meer gelijke gezondheidsresultaten biedt voor iedereen.