Штучний Інтелект: Подолання Найбільших Викликів Клінічних Випробувань

Сучасна медицина – це диво, з раніше неможливими ліками та лікуваннями, які тепер широко доступні. Подумайте про передові медичні пристрої, такі як імплантовані дефібрилятори, які допомагають регулювати серцевий ритм і зменшувати ризик серцевого нападу.

Такі прориви не були б можливими без клінічних випробувань – ретельного дослідження, яке оцінює вплив медичних втручань на людських учасників.

На жаль, процес клінічних випробувань став повільнішим і дорожчим з часом. Насправді, лише одна з семи ліків, які вступають у фазу I випробувань – перший етап тестування на безпеку – в кінцевому підсумку схвалюються. Тепер це потребує, в середньому, майже мільярд доларів фінансування і десятиліття роботи, щоб привести один новий лікарський продукт на ринок.

Половина цього часу і грошей витрачається на клінічні випробування, які стикаються з зростаючими перешкодами, включаючи неефективність набору учасників, обмежену різноманітність і недоступність пацієнтів. В результаті відкриття ліків сповільнюється, а витрати продовжують зростати. На щастя, останній прогрес у галузі Штучного Інтелекту має потенціал змінити цю тенденцію і перетворити розвиток ліків на краще.

Від моделей, які передбачають складні взаємодії білків з вражаючою точністю, до штучно-інтелектуальних лабораторних асистентів, які оптимізують рутинні завдання, інновації, керовані штучним інтелектом, вже змінюють фармацевтичний ландшафт. Прийняття нових можливостей штучного інтелекту для подолання бар’єрів клінічних випробувань може покращити процес випробувань для пацієнтів, лікарів і біофармацевтичної промисловості, прокладючи шлях для нових ефективних ліків і потенційно кращих результатів лікування для пацієнтів.

Бар’єри Розробки Ліків

Ліки, які розробляються, стикаються з численними викликами під час клінічних випробувань, що призводить до низьких рівнів схвалення з боку регулюючих органів, таких як Управління з контролю за харчовими продуктами і ліками США (FDA). В результаті багато дослідних ліків ніколи не потрапляють на ринок. До основних викликів належать проблеми з дизайном випробувань, низький набір учасників і обмежена доступність та різноманітність пацієнтів – питання, які поглиблюють одна одну і гальмують прогрес і рівність у розвитку ліків.

1. Виклики Відбору Місць Випробувань

Успіх клінічного випробування в значній мірі залежить від того, чи можуть місця випробувань – зазвичай лікарні або дослідницькі центри – набрати і зарахувати достатню кількість учасників, які відповідають вимогам дослідження. Відбір місць традиційно базується на кількох взаємопов’язаних факторах, включаючи попередню ефективність у попередніх випробуваннях, місцеву населення і демографію, дослідницькі можливості та інфраструктуру, наявний дослідницький персонал, тривалість періоду набору, і т.д.

Сам по собі кожен критерій досить простий, але процес збору даних про кожний з них пов’язаний з численними викликами, а результати можуть не надійно вказувати на те, чи підходить місце для випробування. У деяких випадках дані можуть бути просто застарілими або неповними, особливо якщо вони були перевірені лише на малій вибірці досліджень.

Дані, які допомагають визначити вибір місця, також походять з різних джерел, таких як внутрішні бази даних, сервісні служби, постачальники або організації з управління клінічними випробуваннями, які надають послуги з управління клінічними випробуваннями. З такою великою кількістю взаємопов’язаних факторів, агрегування та оцінка цієї інформації може бути плутаною та заплутаною, що в деяких випадках може привести до субоптимальних рішень щодо місць випробувань. В результаті спонсори – організації, які проводять клінічне випробування, – можуть переоцінити або недооцінити свою здатність набрати учасників у випробування, що призводить до марних витрат, затримок і низьких показників утримання.

Як же штучний інтелект може допомогти у відборі місць випробувань?

Тренуючи моделі штучного інтелекту з історичними та реальними даними про потенційні місця, спонсори випробувань можуть передбачити показники набору учасників та ефективність місця – оптимізуючи розподіл місць, зменшуючи над- або недоенролмент, і покращуючи загальну ефективність та вартість. Ці моделі також можуть ранжувати потенційні місця, визначаючи найкращу комбінацію атрибутів місця та факторів, які відповідають цілям дослідження та стратегіям набору.

Моделі штучного інтелекту, треновані з поєднанням метаданих клінічних випробувань, медичних та фармацевтичних даних, а також даних пацієнтів з членства (першої допомоги) можуть також допомогти ідентифікувати місця клінічних випробувань, які забезпечать доступ до різноманітних, відповідних популяцій пацієнтів. Ці місця можуть бути розташовані в центральних районах для недопредставлених груп або навіть проводитися в популярних місцях у громаді, таких як барбершопи, або віросповідних та громадських центрах, допомагаючи подолати як бар’єри доступності пацієнтів, так і обмежену різноманітність.

2. Низький Набір Пацієнтів

Набір пацієнтів залишається однією з найбільших перешкод у клінічних випробуваннях, споживаючи до однієї третини тривалості дослідження. Насправді, одне з п’яти випробувань не можуть набрати необхідну кількість учасників. Оскільки випробування стають більш складними – з додатковими контактами з пацієнтами, суворішими критеріями включення та виключення, і все більш складними дизайнами дослідження – виклики набору продовжують зростати. Не дивно, що дослідження пов’язує зростання складності протоколу з зниженням показників набору та утримання пацієнтів.

Поза цим, суворі та часто складні критерії прийому, розроблені для забезпечення безпеки учасників та цілісності дослідження, часто обмежують доступ до лікування і непропорційно виключають определені популяції пацієнтів, включаючи літніх дорослих та расові, етнічні та гендерні меншини. У випробуваннях з онкології лише близько 17-21% пацієнтів не можуть зарахуватися через обмежувальні вимоги до прийому.

Штучний інтелект готовий оптимізувати критерії прийому пацієнтів та набір. Хоча набір традиційно вимагав ручного скринінгу пацієнтів лікарями – що дуже часу споживається – штучний інтелект може ефективно та ефективно підібрати профіль пацієнта до відповідних випробувань.

Наприклад, алгоритми машинного навчання можуть автоматично визначати значущі закономірності у великих наборах даних, таких як електронні медичні записи та медична література, для покращення ефективності набору пацієнтів. Дослідники навіть розробили інструмент, який використовує великі мовні моделі для швидкого огляду кандидатів у великому масштабі та допомоги у передбаченні прийому пацієнтів, зменшуючи час скринінгу пацієнтів більше ніж на 40%.

Компанії з охорони здоров’я, які приймають штучний інтелект, також розробляють інструменти, які допомагають лікарям швидко та точно визначати відповідні випробування для пацієнтів. Це підтримує прискорення набору, потенційно дозволяючи випробуванням розпочинатися раніше та надавати пацієнтам раніше доступ до нових дослідних ліків.

3. Доступність Пацієнтів та Обмежена Різноманітність

Штучний інтелект може відігравати критичну роль у покращенні доступу до клінічних випробувань, особливо для пацієнтів з недопредставлених демографічних груп. Це важливо, оскільки недоступність та обмежена різноманітність не лише сприяють низькому набору та утриманню пацієнтів, але також ведуть до нерівного розвитку ліків.

Розгляньте, що місця клінічних випробувань зазвичай зосереджені в міських районах та великих академічних центрах. В результаті громади в сільських або недопредставлених районах часто не можуть доступитися до цих випробувань. Фінансові бар’єри, такі як витрати на лікування, транспортування, догляд за дітьми та витрати на пропущену роботу, посилюють бар’єри для участі у випробуваннях та ще більше виражені в етнічних та расових меншинах та групах з нижчою середньою соціально-економічною статусом.

В результаті расові та етнічні меншини становлять лише 2% пацієнтів у клінічних випробуваннях США, незважаючи на те, що вони складають 39% національного населення. Ця відсутність різноманітності становить значний ризик щодо генетики, яка варіюється серед расових та етнічних популяцій і може впливати на небажані реакції на ліки. Наприклад, азіати, латиноамериканці та афроамериканці з атриальною фібриляцією (аномальним серцевим ритмом, пов’язаним з серцевими ускладненнями), які приймають варфарин, лік, який запобігає утворенню кров’яних згустків, мають вищий ризик мозкових кровотеч порівняно з тими, хто є європейського походження.

Більша представленість у клінічних випробуваннях є важливою для того, щоб допомогти дослідникам розробити лікування, які є як ефективними, так і безпечними для різноманітних популяцій, забезпечуючи, що медичні досягнення приносять користь усім – не лише вибраним демографічним групам.

Штучний інтелект може допомогти спонсорам клінічних випробувань подолати ці виклики, сприяючи децентралізованим випробуванням – переміщенню діяльності випробувань у віддалені та альтернативні місця, а не збору даних у традиційному місці клінічного випробування.

Децентралізовані випробування часто використовують носимі пристрої, які збирають дані цифровим способом та використовують аналітику, керовану штучним інтелектом, для підсумовування відповідної анонімізованої інформації щодо учасників випробувань. У поєднанні з електронними перевірками, цей гібридний підхід до проведення клінічних випробувань може ліквідувати географічні бар’єри та транспортні витрати, роблячи випробування доступними для ширшого кола пацієнтів.

Розумніші Випробування Роблять Розумніші Лікування

Клінічні випробування – ще одна галузь, яка готова бути трансформованою штучним інтелектом. З його можливістю аналізувати великі набори даних, визначати закономірності та автоматизувати процеси, штучний інтелект може надати цілісні та потужні рішення для сучасних перешкод – оптимізуючи дизайн випробувань, підвищуючи різноманітність пацієнтів, прискорюючи набір та утримання, і ліквідуючи бар’єри доступності.

Якщо галузь охорони здоров’я продовжить приймати рішення, керовані штучним інтелектом, майбутнє клінічних випробувань має потенціал стати більш інклюзивним, орієнтованим на пацієнта та інноваційним. Прийняття цих технологій не лише про те, щоб слідувати сучасним тенденціям – це про створення клінічної дослідницької екосистеми, яка прискорює розвиток ліків та забезпечує більш рівноправні результати охорони здоров’я для всіх.