Искусственный Интеллект: Решение Наибольших Проблем Клинических Исследований

Современная медицина – это чудо, с ранее невообразимыми методами лечения и лекарствами, которые теперь широко доступны. Подумайте обadvanced медицинских устройствах, таких как имплантируемые дефибрилляторы, которые помогают регулировать сердечный ритм и снижать риск сердечного приступа.

Такие прорывы не были бы возможны без клинических исследований – строгих исследований, которые оценивают влияние медицинских вмешательств на человеческих участников.

К сожалению, процесс клинических исследований стал медленнее и более дорогим с течением времени. Фактически, только один из семи препаратов, которые входят в фазу I исследований – первую стадию тестирования на безопасность – в конечном итоге одобряются. В настоящее время на разработку одного нового лекарственного препарата требуется, в среднем, почти миллиард долларов финансирования и десятилетие работы.

Половина этого времени и денег тратится на клинические исследования, которые сталкиваются с возрастающими препятствиями, включая неэффективность набора участников, ограниченное разнообразие и недоступность пациентов. В результате открытие новых препаратов замедляется, а затраты продолжают расти. К счастью, недавние достижения в области искусственного интеллекта имеют потенциал разрушить эту тенденцию и преобразовать разработку препаратов к лучшему.

От моделей, которые предсказывают сложные взаимодействия белков с замечательной точностью, до AI-помощников лабораторий, которые оптимизируют рутинные задачи, инновации, основанные на AI, уже меняют фармацевтический ландшафт. Принятие новых возможностей AI для решения барьеров клинических исследований может улучшить процесс исследования для пациентов, врачей и BioPharma, открывая путь для новых эффективных препаратов и потенциально лучших результатов здравоохранения для пациентов.

Препятствия Разработки Препаратов

Препараты, находящиеся в разработке, сталкиваются с многочисленными проблемами на протяжении всего процесса клинических исследований, что приводит к тревожно низким показателям одобрения со стороны регулирующих органов, таких как Управление по контролю за продуктами и лекарствами США (FDA). В результате многие исследуемые препараты никогда не выходят на рынок. Ключевые проблемы включают неудачи в проектировании исследований, низкую эффективность набора участников и ограниченную доступность и разнообразие пациентов – проблемы, которые усугубляют друг друга и препятствуют прогрессу и равенству в разработке препаратов.

1. Проблемы Выбора Места Исследования

Успех клинического исследования в значительной степени зависит от того, могут ли места исследования – обычно больницы или исследовательские центры – набрать и зарегистрировать достаточное количество подходящих участников. Выбор места исследования традиционно основан на нескольких перекрывающихся факторах, включая историческую эффективность в предыдущих исследованиях, местную популяцию пациентов и демографию, возможности и инфраструктуру исследований, доступный исследовательский персонал, продолжительность периода набора участников и многое другое.

Каждый из этих факторов сам по себе довольно прост, но процесс сбора данных по каждому из них сопряжен с проблемами, и результаты могут не надежно указывать на то, что место исследования подходит для исследования. В некоторых случаях данные могут быть просто устаревшими или неполными, особенно если они были проверены только на небольшой выборке исследований.

Данные, которые помогают определить выбор места исследования, также поступают из различных источников, таких как внутренние базы данных, подписные услуги, поставщики или организации по управлению клиническими исследованиями, которые предоставляют услуги по управлению клиническими исследованиями. С учетом всех этих факторов, агрегация и оценка этой информации может быть запутанной и сложной, что в некоторых случаях может привести к неоптимальным решениям о местах исследования. В результате спонсоры – организации, проводящие клиническое исследование – могут переоценить или недооценить свою способность набрать пациентов в исследования, что приводит к расточительству ресурсов, задержкам и низким показателям удержания.

Итак, как может AI помочь в выборе места исследования?

Обучая модели AI историческим и реальным данным потенциальных мест, спонсоры исследований могут предсказать показатели набора пациентов и эффективность места – оптимизируя распределение мест, снижая пере- или недо-набор, и улучшая общую эффективность и стоимость. Эти модели также могут ранжировать потенциальные места, выявляя лучшую комбинацию атрибутов мест и факторов, соответствующих целям исследования и стратегиям набора.

Модели AI, обученные на смеси метаданных клинических исследований, медицинских и фармацевтических данных, а также данных пациентов из служб членства (первичной медико-санитарной помощи), также могут помочь выявить места клинических исследований, которые обеспечат доступ к разнообразным, актуальным популяциям пациентов. Эти места могут быть расположены в центральных районах для недопредставленных групп или даже проводиться в популярных местах внутри сообществ, таких как парикмахерские, или вероисповедные и общественные центры, помогая решить проблемы доступности пациентов и ограниченного разнообразия.

2. Низкая Эффективность Набора Пациентов

Набор пациентов остается одним из самых больших препятствий в клинических исследованиях, занимая до одной трети продолжительности исследования. Фактически, одно из пяти исследований не набирает необходимое количество участников. По мере того, как исследования становятся более сложными – с дополнительными точками контакта с пациентами, более строгими критериями включения и исключения, и все более сложными дизайнами исследований – проблемы набора продолжают расти. Неудивительно, что исследования связывают рост сложности протокола с снижением показателей набора и удержания пациентов.

Кроме того, строгие и часто сложные критерии отбора, предназначенные для обеспечения безопасности участников и целостности исследования, часто ограничивают доступ к лечению и непропорционально исключают определенные популяции пациентов, включая пожилых людей и расовые, этнические и гендерные меньшинства. В исследованиях по онкологии alone, примерно 17–21% пациентов не могут быть зарегистрированы из-за ограничительных требований к отбору.

AI готов оптимизировать критерии отбора пациентов и набор. Хотя набор традиционно требует ручного отбора пациентов врачами – что чрезвычайно трудоемко – AI может эффективно и результативно сопоставить профили пациентов с подходящими исследованиями.

Например, алгоритмы машинного обучения могут автоматически выявлять значимые закономерности в больших наборах данных, таких как электронные медицинские записи и медицинская литература, для улучшения эффективности набора пациентов. Исследователи даже разработали инструмент, который использует большие языковые модели для быстрого обзора кандидатов на крупном масштабе и помогает предсказать пригодность пациентов, снижая время отбора пациентов на более 40%.

Компании Healthtech, принимающие AI, также разрабатывают инструменты, которые помогают врачам быстро и точно определять подходящие исследования для пациентов. Это поддерживает ускорение набора, потенциально позволяя исследованиям начаться раньше и предоставляя пациентам более ранний доступ к новым исследуемым препаратам.

3. Доступность Пациентов и Ограниченное Разнообразие

AI может сыграть решающую роль в улучшении доступа к клиническим исследованиям, особенно для пациентов из недопредставленных демографических групп. Это важно, поскольку недоступность и ограниченное разнообразие не только способствуют низким показателям набора и удержания пациентов, но также приводят к неравному развитию препаратов.

Рассмотрим, что места клинических исследований обычно сконцентрированы в городских районах и крупных академических центрах. Результатом является то, что общины в сельских или недостаточно обслуживаемых районах часто не могут получить доступ к этим исследованиям. Финансовые бремена, такие как стоимость лечения, транспорт, уход за детьми и стоимость пропущенной работы, усугубляют барьеры для участия в исследованиях и более выражены у этнических и расовых меньшинств и групп с более низким, чем средним, социально-экономическим статусом.

В результате расовые и этнические меньшинства представляют менее 2% пациентов в клинических исследованиях в США, несмотря на то, что составляют 39% национального населения. Это отсутствие разнообразия представляет значительный риск в отношении генетики, которая варьируется среди расовых и этнических популяций и может влиять на неблагоприятные реакции на лекарства. Например, азиаты, латиноамериканцы и афроамериканцы с атриальной фибрилляцией (абnormalными сердечными ритмами, связанными с сердечно-сосудистыми осложнениями), которые принимают варфарин, препарат, предотвращающий образование тромбов, имеют более высокий риск кровоизлияний в мозг по сравнению с теми, у кого европейское происхождение.

Большее представительство в клинических исследованиях поэтому необходимо для того, чтобы помочь исследователям разработать методы лечения, которые будут эффективными и безопасными для разнообразных популяций, обеспечивая, что медицинские достижения принесут пользу всем – а не только избранным демографическим группам.

AI может помочь спонсорам клинических исследований решить эти проблемы, облегчая децентрализованные исследования – перемещение деятельности исследований в удаленные и альтернативные места, а не сбор данных в традиционном месте клинического исследования.

Децентрализованные исследования часто используют носимые устройства, которые собирают данные цифровым способом и используют аналитику, основанную на AI, для суммирования актуальной анонимной информации о участниках исследования. В сочетании с электронными проверками, этот гибридный подход к проведению клинических исследований может устранить географические барьеры и бремена транспорта, делая исследования доступными для более широкого круга пациентов.

Умные Исследования Создают Умные Лекарства

Клинические исследования – еще одна область, которая может быть преобразована AI. С его способностью анализировать большие наборы данных, выявлять закономерности и автоматизировать процессы, AI может предоставить всесторонние и прочные решения сегодняшним препятствиям – оптимизируя дизайн исследования, улучшая разнообразие пациентов, оптимизируя набор и удержание, и ломая барьеры доступности.

Если отрасль здравоохранения продолжит принятие решений, основанных на AI, будущее клинических исследований имеет потенциал стать более инклюзивным, пациенто-ориентированным и инновационным. Принятие этих технологий не только означает поддержание современных тенденций – это создание клинической исследовательской экосистемы, которая ускоряет разработку препаратов и обеспечивает более справедливые результаты здравоохранения для всех.