Hur man utnyttjar AI i hela läkemedelspipeline

Vi har gjort otroliga framsteg inom hälso- och sjukvården under de senaste decennierna tack vare införandet av ny teknik. Nu erbjuder artificiell intelligens (AI) en ny möjlighet att fortsätta driva denna trend för att ytterligare förbättra patienternas liv. Det finns många olika tillämpningar av AI när det gäller att förstå och behandla hälsotillstånd. I själva verket kan AI utnyttjas i hela pipeline när forskare försöker behandla en ny sjukdom. Tekniken kan vara särskilt användbar för att upptäcka nya läkemedel, förstå nya sjukdomar och mäta behandlingsresultat.

AI i läkemedelsupptäckt

Långt innan tillverkare kan ta ett läkemedel till marknaden arbetar forskare med att identifiera rätt molekyler. AI kan tillämpas på läkemedelsupptäckt och utveckling, särskilt för att göra processen mer effektiv och mindre kostsam. I den typiska upptäcktsprocessen kan forskare tillbringa år med att testa olika molekyler, bara för att inse att den som valdes för en klinisk prövning inte har den avsedda effekten. AI kan spela en roll i denna process genom att förutsäga bioaktivitet och interaktioner mellan olika molekyler. Genom att utnyttja befintliga data kan en prediktiv modell identifiera en molekyl som har en högre sannolikhet att ha den effekt som en forskare och det medicinska samfundet hoppas på, även innan någon sätter foten i labbet.

Användningen av AI i läkemedelsutveckling är fortfarande i ett relativt tidigt skede, och inga läkemedel som upptäckts med AI är för närvarande på marknaden. Det sägs att många hälso- och forskningsorganisationer redan har börjat integrera AI i processen och nått kliniska prövningar med AI-utvecklade läkemedel. Till exempel ett läkemedel mot idiopatisk lungfibros (IPF) som identifierades med AI gick in i fas 1-prövningar 2022 och fick FDA:s första orphan drug-designation tidigare i år. När branschen blir mer bekväm med AI kommer dess tillämpningar inom läkemedelsutveckling sannolikt att expandera ännu mer, och vi kan så småningom se läkemedel utvecklade med AI som ges till patienter.

AI i epidemiologi och klinisk prövning

Ett annat viktigt steg för att ta en terapi till marknaden och få den till patienternas händer är att förstå en sjukdom och hur den påverkar hälsoutfall på befolkningsnivå. Det är här epidemiologer kommer in – en grupp forskare som ansvarar för att kvantifiera och övervaka terapeutisk riskhantering över målpopulationer och indikationer.

Genom att använda AI och maskinlärningstekniker (ML) kan epidemiologer undersöka realvärldsdata (RWD) – bland annat andra typer av tillgängliga data – och identifiera trender som är relevanta för kommersiella och kliniska beslutsfattanden. Eftersom ML är optimerad för att undersöka data på ett hypotesfritt sätt möjliggör det för forskare att upptäcka nya mönster, generera bättre förutsägelser för viktiga trender som sjukdomsprevalens och identifiera riskfaktorerna som är förknippade med dåliga resultat. Dessa insikter är avgörande för forskare att utveckla behandlingar som kommer att tillgodose behoven hos deras målpopulation på bästa sätt.

AI kan också automatisera delar av den kliniska prövningsfasen av läkemedelsutveckling, som är avgörande för att fastställa säkerhet och effektivitet hos en ny terapi innan den når patienter. Till exempel kan AI användas för att säkerställa att rätt patienter rekryteras för en klinisk prövning och att studiegruppen representerar den allmänna befolkningen samtidigt som man tar hänsyn till mångfald och jämställdhet. AI kan också hjälpa till i granskningen av säkerhetsrapporter från en prövning på ett sätt som är mer tillförlitligt än ett mänskligt team. Inte alla aspekter av epidemiologi och klinisk prövning kan automatiseras, men AI kan göra vissa aspekter av processen mer effektiv.

AI i utvärdering av behandlingsresultat

När en klinisk prövning har visat effektivitet är det avgörande att förstå värdet av en ny intervention inom hälso- och sjukvårdsmarknaden. Vid det här laget har forskare tillbringat otaliga timmar och hundratals miljoner, om inte miljarder, dollar med att utveckla en terapi – men de måste fortfarande säkerställa att rätt patienter kan få tillgång till den när de behöver den. Det är här hälsoekonomi och resultatforskning (HEOR) – studiet av värdet av hälso- och sjukvårdinsatser – spelar en avgörande roll i läkemedelsutvecklingspipeline.

Det ultimata målet med HEOR-analyser är att hjälpa betalare och andra som ansvarar för att finansiera hälso- och sjukvård att optimera hälsan hos sina befolkningar samtidigt som de minimerar kostnaderna. Utan det skulle hälso- och sjukvårdssystemen inte vara finansiellt stabila, och den tidiga leveransen av vård skulle äventyras. AI kan spela en roll i HEOR-analyser genom att avslöja mönster i data som hjälper till att kvantifiera den ökade fördelen av en behandling, till exempel genom att identifiera unika subpopulationer som upplever en ökad förbättring av resultaten i förhållande till den allmänna befolkningen.

Till exempel användes ML i en studie bland personer med typ 2-diabetes för att undersöka vilka subpopulationer som kunde dra nytta av en beteendeeffekt som syftade till viktnedgång. Medan ingen signifikant effekt hittades bland den allmänna befolkningen med typ 2-diabetes, fann forskare att en undergrupp med specifika egenskaper kunde undvika komplikationer från kardiovaskulär sjukdom efter interventionen. Dessa insikter hjälpte kliniker och hälso- och sjukvårdsplaner att veta vilka specifika patienter som skulle dra mest nytta av interventionen, vilket hjälpte till att förbättra patientresultaten och spara kostnader sammanlagt.

Framtiden för AI i läkemedelspipeline

Det finns tydligtvis många tillämpningar av AI när det gäller att förstå och behandla sjukdomar, och forskare är engagerade i att ytterligare utveckla tekniken. I själva verket har den ledande organisationen för HEOR, ISPOR, nyligen etablerat riktlinjer för att använda maskinlärning inom området. Detta visar ett åtagande att expandera användningen av AI och ML för att maximera dess potential.

Epidemiologer, forskare, hälsoekonomer och andra som spelar en roll i läkemedelsutvecklingspipeline kan alla dra nytta av att integrera AI i sitt arbete. Och om vi kan använda AI för att bättre förstå sjukdomar och utveckla mer effektiva och riktade behandlingar, kommer patienter att dra nytta av det i slutändan. AI har obegränsad potential inom hälso- och sjukvård och läkemedelsindustrin för att förbättra liv – och det är vår skyldighet att utnyttja den till dess största förmåga.