Kunstig intelligens: Løsning av kliniske prøvers største utfordringer

Den moderne medisinen er et under, med tidligere utenkelige kur og behandlinger som nå er vidt tilgjengelige. Tenk på avanserte medisinske enheter som innimplanterte defibrillatorer som hjelper å regulere hjerterytmen og redusere risikoen for hjerteinfarkt.

Slike gjennombrudd ville ikke vært mulige uten kliniske prøver – den strenge forskningen som vurderer effekten av medisinske inngrep på menneskelige deltakere.

Uheldigvis har kliniske prøver blitt langsommere og mer dyre over tid. I virkeligheten er det bare en av syv legemidler som går inn i fase I-prøver – den første fasen av testing for sikkerhet – som til slutt godkjennes. Det tar i gjennomsnitt nærmere en milliard dollar i finansiering og et tiår med arbeid å bringe et nytt legemiddel til markedet.

Halvparten av denne tiden og penger brukes på kliniske prøver, som møter økende hindringer, inkludert rekrutteringsineffektiviteter, begrensede diversitet og pasientutilgjengelighet. Derfor blir legemiddelforskning langsommere, og kostnadene fortsetter å stige. Heldigvis har de seneste fremgangene i kunstig intelligens potensialet til å bryte trenden og forbedre legemiddelutviklingen til det bedre.

Fra modeller som forutsier komplekse proteininteraksjoner med bemerkelsesverdig nøyaktighet, til AI-drevne laboratorieassistenter som strømlinjeformer rutineoppgaver, er AI-drevet innovasjon allerede i ferd med å endre legemiddellandskapet. Ved å innføre nye AI-egenskaper for å løse kliniske prøvehindringer kan prøveprosessen forbedres for pasienter, leger og bioteknologiske selskaper, og åpne veien for nye effektive legemidler og potensielt bedre helseutfall for pasienter.

Hindringer for legemiddelutvikling

Legemidler under utvikling møter mange utfordringer gjennom den kliniske prøveprosessen, noe som resulterer i lavt godkjenningsrate fra reguleringer som den amerikanske mat- og legemiddeladministrasjonen (FDA). Som følge av dette når mange undersøkte legemidler aldri markedet. Sentrale utfordringer inkluderer prøvedesignfeil, lav pasientrekruttering og begrensede pasienttilgjengelighet og diversitet – problemer som forsterker hverandre og hindrer fremgang og likhet i legemiddelutvikling.

1. Utfordringer med valg av prøvesteder

Suksessen med en klinisk prøve avhenger i stor grad av om prøvestedene – vanligvis sykehus eller forskningssentere – kan rekruttere og inkludere tilstrekkelig stor og kvalifisert studiepopulasjon. Valg av prøvesteder baseres tradisjonelt på flere overlappende faktorer, inkludert historisk prestasjon i tidligere prøver, lokal pasientpopulasjon og demografi, forskningskapasitet og infrastruktur, tilgjengelig forskningspersonale, varighet av rekrutteringsperioden og mer.

På egen hånd er hver kriterium ganske enkelt, men prosessen med å samle inn data rundt hver er omgitt av utfordringer, og resultatene kan ikke nødvendigvis indikere om stedet er egnet for prøven. I noen tilfeller kan dataene være foreldede eller ufullstendige, spesielt hvis de er validert bare på en liten studie.

Dataene som hjelper å bestemme valg av prøvesteder kommer fra forskjellige kilder, som interne databaser, abonnementsbaserte tjenester, leverandører eller kontraktforskningsorganisasjoner, som tilbyr kliniske prøveledelsestjenester. Med så mange konvergerende faktorer kan det være forvirrende og komplisert å samle inn og vurdere denne informasjonen, noe som i noen tilfeller kan føre til underoptimal beslutning om prøvesteder. Derfor kan sponsorene – organisasjonene som utfører den kliniske prøven – over- eller undervurdere sin evne til å rekruttere pasienter i prøver, noe som kan føre til spild av ressurser, forsinkelser og lave rekrutteringsrater.

Hvordan kan AI hjelpe med å kurere valg av prøvesteder?

Ved å trene AI-modeller med historisk og sanntidsdata fra potensielle steder kan prøvesponsorene forutsi pasientinnskrivningsrater og en steds ytelse – optimalisere stedsallokering, redusere over- eller underinnskrivning, og forbedre den generelle effektiviteten og kostnadene. Disse modellene kan også rangere potensielle steder ved å identifisere den beste kombinasjonen av stedsattributter og faktorer som stemmer overens med studiemål og rekrutteringsstrategier.

AI-modeller trent med en blanding av kliniske prøvemetadata, medisinske og farmasøytiske kravdata, og pasientdata fra medlemskap (primærhelsetjenester) kan også hjelpe med å identifisere kliniske prøvesteder som vil gi tilgang til diverse, relevante pasientpopulasjoner. Disse stedene kan være sentralt beliggende for underrepresenterte grupper eller til og med finnes i populære steder i samfunnet, som frisørsalonger, eller tro- og samfunnsbaserte sentre, og hjelpe med å løse både hindrene for pasienttilgjengelighet og mangelen på diversitet.

2. Lav pasientrekruttering

Pasientrekruttering er fortsatt en av de største hindringene i kliniske prøver, og kan opptre opp til en tredjedel av en studies varighet. I virkeligheten en av fem prøver mislykkes i å rekruttere det nødvendige antallet deltakere. Ettersom prøvene blir mer komplekse – med flere pasientkontakter, strengere inklusjons- og eksklusjonskriterier, og stadig mer sofistikerte studie-design – vokser rekrutteringsutfordringene. Ikke overraskende forskning kobler sammen økningen i protokollkompleksitet med synkende pasientinnskrivnings- og gjennomføringsrater.

I tillegg til dette begrenser strenge og ofte komplekse inklusjonskriterier, designet for å sikre deltakertrygghet og studieintegritet, ofte tilgangen til behandling og utelukker bestemte pasientpopulasjoner, inkludert eldre voksne og rase-, etniske og kjønnsminoriteter. I onkologiske prøver alene er det anslått at 17–21% av pasientene ikke kan melde seg til på grunn av restriktive inklusjonskrav.

AI er i stand til å optimalisere pasientens inklusjonskriterier og rekruttering. Mens rekruttering tradisjonelt har krevd at leger manuelt skjermer pasienter – noe som er svært tidskrevende – kan AI effektivt og effektivt matche pasientprofiler mot passende prøver.

For eksempel kan maskinlæringsalgoritmer automatisk identifisere meningsfulle mønster i store datasett, som elektroniske helsejournaler og medisinsk litteratur, for å forbedre pasientrekrutteringseffektiviteten. Forskere har også utviklet et verktøy som bruker store språkmodeller til å raskt gjennomgå kandidater på stor skala og hjelpe med å forutsi pasientens kvalifisering, og redusere pasient-screeningstiden med over 40%.

Helse-teknologiselskaper som innfører AI utvikler også verktøy som hjelper leger å raskt og nøyaktig bestemme hvilke prøver som er egnet for pasienter. Dette støtter rekrutteringsakselerasjon, og kan potensielt tillate at prøver starter tidligere og dermed gi pasienter tidligere tilgang til nye undersøkte behandlinger.

3. Pasienttilgjengelighet og begrensede diversitet

AI kan spille en kritisk rolle i å forbedre tilgangen til kliniske prøver, spesielt for pasienter fra underrepresenterte demografiske grupper. Dette er viktig, ettersom utilgjengelighet og begrensede diversitet ikke bare bidrar til lave pasientrekrutterings- og gjennomføringsrater, men også fører til ueffektive legemiddelutviklinger.

Tenker på at kliniske prøvesteder vanligvis er konsentrert i urbane områder og store akademiske sentre. Resultatet er at samfunn i rurale eller underbetjente områder ofte ikke kan nå disse prøvene. Økonomiske byrder som behandlingskostnader, transport, barneomsorg og kostnaden ved å gå glipp av arbeid forsterker hindrene for deltakelse i prøver og er mer uttalt i etniske og raseminoriteter og grupper med lavere enn gjennomsnittlig socioøkonomisk status.

Som følge av dette utgjør rase- og etniske minoritetsgrupper så lite som 2% av pasientene i amerikanske kliniske prøver, til tross for å utgjøre 39% av befolkningen. Mangelen på diversitet utgjør en betydelig risiko i forhold til genetikk, som varierer over rase- og etniske populasjoner og kan påvirke adverse legemiddelrespons. For eksempel har asiater, latinamerikanere og afrikanere med atrial fibrasjon (abnormale hjerterytmer relatert til hjerte-relaterte komplikasjoner) som tar warfarin, et legemiddel som forebygger blodpropp, en høyere risiko for hjernblødning sammenlignet med de av europeisk avstamning.

Større representasjon i kliniske prøver er derfor essensielt for å hjelpe forskere med å utvikle behandlinger som er både effektive og trygge for diverse populasjoner, og sikre at medisinske fremgangene gagner alle – ikke bare utvalgte demografiske grupper.

AI kan hjelpe kliniske prøvesponsorer med å møte disse utfordringene ved å fasilitere desentraliserte prøver – å flytte prøveaktiviteter til fjern- og alternative lokasjoner, i stedet for å samle inn data på et tradisjonelt klinisk prøvested.

Desentraliserte prøver benytter ofte bærbare enheter, som samler inn data digitalt og bruker AI-drevne analyser til å sammenfatte relevante anonymiserte informasjon om prøvedeltakere. Kombinert med elektroniske sjekkin, kan denne hybridtilnærmingen til klinisk prøve-gjennomføring eliminere geografiske hindringer og transportbyrder, og gjøre prøver tilgjengelige for en bredere rekke pasienter.

Smartere prøver gjør smartere behandlinger

Kliniske prøver er enda en sektor som kan bli transformert av AI. Med sin evne til å analysere store datasett, identifisere mønster og automatisere prosesser, kan AI tilby holistiske og robuste løsninger på dagens hindringer – optimalisere prøvedesign, forbedre pasientdiversitet, strømlinjeforme rekruttering og gjennomføring, og bryte ned tilgjengelighetsbarrierer.

Hvis helseindustrien fortsetter å innføre AI-drevne løsninger, har fremtiden for kliniske prøver potensialet til å bli mer inkluderende, pasient-sentrert og innovativ. Å omfavne disse teknologiene handler ikke bare om å holde tritt med moderne trender – det handler om å skape et klinisk forskningsøkosystem som akselerer legemiddelutvikling og leverer mer rettferdige helseutfall for alle.