Helse

Brainomix E‑Lung‑analyse påviser behandlingseffekter i fase‑2a IPF‑studie

mm
Legg til Unite.AI blant dine foretrukne kilder på Google

Brainomix og Endeavor BioMedicines kunngjorde positive resultater 8. september 2026 fra en AI‑drevet kvantitativ analyse av CT‑avbildningsdata samlet inn i Endeavors fase‑2a‑studie av taladegib ved idiopatisk pulmonal fibrose, med funnene presentert på European Respiratory Society‑kongressen i Barcelona 6. september. Ifølge den felles kunngjøringen oppdaget analysen signifikante behandlingseffekter på flere mål for lunge­struktur og fibrose.

Den underliggende studien, kalt ENV‑IPF‑101, var en randomisert, dobbelt‑blind, placebokontrollert 12‑ukersstudie som evaluerte taladegib, en hedgehog‑signalvegs‑inhibitor, hos pasienter med IPF. Studien viste tidligere at behandling med taladegib forbedret lungefunksjonen fra utgangspunktet, målt med forsert vitalkapasitet, økte total lungekapasitet og reverserte mål på interstitiell lungesykdom fra baseline ved uke 12.

E‑Lung‑post‑hoc‑analysen

Brainomix 360 e‑Lung er et FDA‑godkjent, CE‑merket AI‑drevet bildanalyseverktøy som gir automatiske kvantifiseringer og visualiseringer av radiografiske trekk i lunge‑CT‑skanninger. Klinikere kan bruke disse resultatene til å støtte sin diagnostiske vurdering av lungesykdom. De to selskapene inngikk et samarbeid for å gjennomføre en post‑hoc‑analyse som evaluerte om Brainomix sine AI‑drevne kvantitative bildedata kunne støtte kliniske studier. I analysen av den 12‑ukers ENV‑IPF‑101‑studien rapporterte selskapene at e‑Lung oppdaget signifikante positive forskjeller til fordel for taladegib i lungevolum, samlet belastning av interstitiell lungesykdom og total fibroseomfang.

I følge selskapene understreker funnene potensialet i AI‑drevne kvantitative bildedata for å støtte påvisning av meningsfulle behandlingseffekter i små, relativt korte kliniske studier, og dermed bidra til mer effektiv og informert klinisk utvikling. De presenterte også resultatene som bevis på verdien av pålitelige, objektive AI‑avledede endepunkter i utviklingsprogrammer for pulmonal fibrose. Selv om forsert vitalkapasitet fortsatt er et etablert klinisk endepunkt, sier kunngjøringen at det kanskje ikke fullt ut fanger opp meningsfulle biologiske endringer eller gir mekanistisk innsikt i behandlingsresponsen. Etter hvert som bakgrunnsbehandlinger reduserer målbare nedganger i lungefunksjon, mener selskapene at stadig mer sensitiv CT‑kvantifisering kan hjelpe med å oppdage subtile behandlingseffekter og støtte mer datadrevet legemiddelforskning.

Resultatene har katalysert videre samarbeid mellom Brainomix og Endeavor, med mål om å integrere kvantitativ bildanalyse i den fortsatte kliniske utviklingen av taladegib for pulmonal fibrose.

Dr. Lisa Lancaster, Chief Medical Officer i Endeavor BioMedicines, uttalte at analysen fortsatt støtter taladegibs potensial til å forbedre lunge­struktur, redusere fibrose og forbedre lungefunksjonen hos pasienter med IPF. «Vi er imponert over teknologiens evne til å påvise statistisk signifikante endringer i en liten kohort og over en kort behandlingsperiode», sa hun, og beskrev resultatene som et bevis på verdien av objektive, sensitive og pålitelige endepunkter for å redusere risiko i klinisk utvikling.

Studiedesign og konferansedetaljer

Presentasjonen, med tittelen «Behandling med taladegib fører til økt lungevolum og regresjon av markører for ILD: En fase‑2a post‑hoc‑CT‑analyse ved bruk av Brainomix e‑Lung», ble akseptert som et sen‑breaking abstract for kongressen, som ble holdt 5.–9. september 2026. Peter George, konsulent‑pneumolog ved Royal Brompton Hospital i Storbritannia og Senior Medical Director i Brainomix, var den presenterende forfatteren, ifølge Endeavors kunngjøring om presentasjonen.

Endeavor beskriver IPF som en kronisk, progressiv lungesykdom som rammer mer enn 150 000 voksne i USA, med en gjennomsnittlig forventet levetid på tre til fem år etter diagnosen. Taladegib, Endeavors ledende kandidat, er utviklet for å binde seg til og hemme en nøkkelreseptor i hedgehog‑signalveien, en mekanisme som selskapet hevder eliminerer myofibroblastene som driver fibrose og kan løse den overdrevne sårhelingsprosessen som observeres ved pulmonal fibrose.

George uttalte at e‑Lung‑analysen ga viktige innsikter i taladegibs effekt og virkningsmekanisme, og beskrev den som en av de mest lovende terapiene for pulmonal fibrose som for tiden er under utvikling. «Kvantitativ CT‑avbildning gir en kraftig tilnærming for å støtte tidligere, raskere og mer informerte utviklingsbeslutninger, og bidrar i siste ende til at lovende terapier når pasientene raskere», sa han.

Bredere ERS‑tilstedeværelse

Brainomix opplyser at de har trent e‑Lung på ulike datasett, og at plattformen allerede er benyttet i flere fase‑2‑ og fase‑3‑studier. Ifølge selskapet ble e‑Lung den første kvantitative CT‑avbildningsplattformen som ble valgt som et co‑primært endepunkt i en fase‑3b‑studie av pulmonal fibrose.

Sammen med taladegib‑analysen presenterer Brainomix fire ytterligere studier på ERS 2026 om potensialet til kvantitativ CT for å gi objektive innsikter i vurderingen av pulmonale CT‑skanninger. Disse studiene undersøkte vurdering av behandlingsrespons ved interstitiell lungesykdom, tidlig påvisning av sykdomsprogresjon, risikostratifisering av dødelighet og identifisering av pasienter med risiko for pulmonal hypertensjon.

Brainomix, som ble etablert som et spin‑off fra University of Oxford, utvikler AI‑drevne bildverktøy for lungesykdom og slag, og opererer i mer enn 20 land med kontorer i Storbritannia, Irland og USA.

Aria Bloom er en AI-generert agent for informasjonsinnhenting og analyse som utforsker hvordan kunstig intelligens forandrer bioteknologi og genomforskning. Skrivingen hennes kombinerer presisjon med en dyp nysgjerrighet for fremtiden innen livsvitenskap.

Fra syntetisk biologi til persontilpasset medisin analyserer Aria hvordan maskinlæring akselererer innovasjon innen menneskers helse.

Artikler skrevet av Aria Bloom er AI-genererte og gjennomgås av Unite.AI sitt redaksjonsteam for nøyaktighet og overholdelse.