Hvordan utnytte AI gjennom legemiddelbehandlingspipeline

Vi har gjort enorme fremskritt innen helsevesenet de siste få tiårene takket være innføringen av ny teknologi. Nå presenterer kunstig intelligens (AI) en ny stor mulighet til å fortsette å drive denne trenden for å ytterligere forbedre pasientenes liv. Det finnes en rekke anvendelser av AI når det gjelder å forstå og behandle helseproblemer. Faktisk kan AI utnyttes gjennom hele pipeline når forskere setter ut for å behandle en ny sykdom. Teknologien kan være særlig nyttig for å oppdage nye legemidler, forstå nye sykdommer og måle resultater av behandlinger.

AI i legemiddelforskning

Lenge før produsentene kan bringe et legemiddel til markedet, arbeider forskerne med å identifisere de riktige molekylene. AI kan anvendes i legemiddelforskning og utvikling, særlig for å gjøre prosessen mer effektiv og mindre kostbar. I den typiske prosessen med å finne nye legemidler, kan forskerne bruke år på å teste forskjellige molekyler, bare for å innse at den valgte molekylene ikke har den ønskede effekten. AI kan spille en rolle i denne prosessen ved å forutsi bioaktivitet og interaksjoner mellom forskjellige molekyler. Ved å utnytte eksisterende data, kan en prediktiv modell kanskje identifisere en molekyl som har en høyere sannsynlighet for å ha den effekten en forsker og det medisinske samfunnet håper på, selv før noen setter foten i laboratoriet.

Bruken av AI i legemiddelutvikling er fortsatt i de relativt tidlige stadiene, og ingen legemidler oppdaget av AI er nå på markedet. Det være sagt, en rekke helse- og forskningsorganisasjoner har allerede begynt å inkorporere AI i prosessen og når kliniske prøver med AI-utviklede legemidler. For eksempel, et legemiddel mot idiopatisk pulmonal fibrose (IPF) som ble identifisert ved hjelp av AI gikk inn i fase 1-prøver i 2022 og fikk FDA-godkjenning som orphan legemiddel tidligere i år. Etterhvert som industrien blir mer komfortabel med AI, vil dens anvendelser i legemiddelutvikling sannsynligvis utvides enda mer, og vi kan kanskje se legemidler utviklet med AI som blir gitt til pasienter.

AI i epidemiologi og klinisk prøving

En annen nøkkel til å bringe en terapi til markedet og få den i pasientens hender er å få en forståelse av en sykdom og hvordan den påvirker helseresultater på populasjonsnivå. Dette er der epidemiologer kommer inn – en gruppe forskere som er ansvarlige for å kvantifisere og overvåke terapeutisk risikostyring over målpopulasjoner og indikasjoner.

Ved å anvende AI og maskinlæringsteknikker, kan epidemiologer undersøke realverdensdata (RWD) – blant andre typer tilgjengelig data – og identifisere trender som er relevante for kommersielle og kliniske avgjørelser. Fordi maskinlæring er optimalisert for å undersøke data på en hypotesefri måte, gjør det det mulig for forskerne å oppdage nye mønster, generere bedre prediksjoner for nøkkel-trender som sykdomsforekomst, og identifisere risikofaktorer som er forbundet med dårlige resultater. Disse innsiktene er kritiske for forskerne til å utvikle behandlinger som vil være mest effektive for å møte behovene til deres målpopulasjon.

AI kan også automatisere deler av den kliniske prøvefasen i legemiddelutvikling, som er kritisk for å etablere sikkerheten og effekten av en ny terapi før den når pasientene. For eksempel, kan AI anvendes for å sikre at de riktige pasientene blir rekruttert til en klinisk prøve, og at studiegruppen representerer den generelle befolkningen samtidig som det tas hensyn til mangfold og likhet. AI kan også hjelpe i gjennomgangen av sikkerhetsrapporter fra en prøve på en måte som er mer pålitelig enn et menneskeligt team. Ikke alle aspekter av epidemiologi og klinisk prøving kan automatiseres, men AI kan gjøre visse aspekter av prosessen mer effektiv.

AI i evaluering av behandlingsresultater

Når en klinisk prøve har demonstrert effektivitet, er det kritisk å forstå verdien av en ny intervensjon innen helsemarkedet. På dette tidspunktet har forskerne brukt uendelig mange timer og hundre millioner, hvis ikke milliarder, dollar på å utvikle en terapi – men de må fortsatt sikre at de riktige pasientene kan få tilgang til den når de trenger det. Dette er der helseøkonomi og resultatorientert forskning (HEOR) – studiet av verdien av helseintervensjoner – spiller en kritisk rolle i legemiddelutviklingspipeline.

Det ultimate målet med HEOR-analyser er å assistere betalere og andre som er ansvarlige for å finansiere helsevesenet til å optimalisere helsen til deres befolkninger samtidig som kostnadene minimeres. Uten dette, ville helsesystemene ikke være finansielt stabile, og leveringen av omsorg ville være kompromittert. AI kan spille en rolle i HEOR-analyser ved å avdekke mønster i data som hjelper til å kvantifisere den inkrementelle fordelen av en behandling, som å identifisere unike subpopulasjoner som opplever en økt forbedring i resultater i forhold til den generelle befolkningen.

For eksempel, ble maskinlæring anvendt i en studie blant personer med type 2-diabetes for å undersøke hvilke subpopulasjoner som kunne dra nytte av en atferdsintervensjon rettet mot vekttap. Mens ingen signifikant effekt ble funnet blant den generelle befolkningen med type 2-diabetes, fant forskerne at en undergruppe med spesifikke karakteristika kunne unngå komplikasjoner fra hjerte- og karsykdom etter intervensjonen. Disse innsiktene hjalp klinikere og helseplaner å vite hvilke spesifikke pasienter som ville dra mest nytte av intervensjonen, og hjalp til å forbedre pasientresultater og spare kostnader samlet.

Fremtiden for AI i legemiddelpipeline

Det er tydelig at det finnes en rekke anvendelser av AI når det gjelder å forstå og behandle sykdom, og forskerne er kommet til å videreutvikle teknologien. Faktisk, den ledende organisasjonen for HEOR, ISPOR, nylig etablerte retningslinjer for å bruke maskinlæring innen området. Dette demonstrerer en forpliktelse til å utvide bruken av AI og maskinlæring for å maksimere dens potensiale.

Epidemiologer, forskere, helseøkonomer og andre som spiller en rolle i legemiddelutviklingspipeline kan alle finne verdi i å inkorporere AI i deres arbeid. Og hvis vi kan bruke AI til å bedre forstå sykdommer og utvikle mer effektive og målrettede behandlinger, står pasientene til å dra stor nytte av det til slutt. AI har ubegrensede muligheter innen helsevesenet og legemiddelindustrien for å forbedre liv – og det er vår ansvar å utnytte det til sin fulle kapasitet.