Штучний інтелект: вирішення найбільших проблем клінічних досліджень

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

Такі прориви не були б можливими без клінічних досліджень – суворих досліджень, які оцінюють вплив медичних втручань на людей.

На жаль, процес клінічних досліджень став повільнішим і дорожчим з часом. Фактично, тільки один з семи препаратів, які проходять першу стадію клінічних досліджень, в кінцевому підсумку затверджуються. Тепер це коштує в середньому близько мільярда доларів і займає десять років, щоб привести новий лікарський засіб на ринок.

Половина цього часу та грошей витрачається на клінічні дослідження, які стикаються з величезними перешкодами, включаючи неефективність набору учасників, обмежену різноманітність та недоступність пацієнтів. В результаті відкриття ліків сповільнюється, а витрати продовжують зростати. На щастя, останні досягнення в галузі штучного інтелекту мають потенціал змінити ситуацію та покращити розвиток ліків.

Від моделей, які передбачають складні взаємодії білків з надзвичайною точністю, до штучного інтелекту, який допомагає в лабораторних дослідженнях, штучний інтелект вже змінює фармацевтичну галузь. Використання нових можливостей штучного інтелекту для подолання бар’єрів клінічних досліджень може покращити процес клінічних досліджень для пацієнтів, лікарів та фармацевтичних компаній, відкриваючи шлях для нових ефективних ліків та потенційно кращих результатів лікування для пацієнтів.

Бар’єри розвитку ліків

Ліки, які розробляються, стикаються з численними проблемами під час клінічних досліджень, що призводить до низьких рівнів затвердження з боку регулюючих органів, таких як FDA. В результаті багато досліджуваних ліків ніколи не потрапляють на ринок. Основні проблеми включають проблеми з дизайном клінічних досліджень, низький набір учасників та обмежену доступність та різноманітність пацієнтів – питання, які погіршують одна одну та уповільнюють розвиток ліків.

1. Проблеми з вибором місця проведення клінічних досліджень

Успіх клінічного дослідження в значній мірі залежить від того, чи можуть місця проведення досліджень – зазвичай лікарні або дослідницькі центри – набрати та зарахувати достатню кількість учасників. Вибір місця проведення досліджень традиційно ґрунтується на кількох факторах, включаючи попередні результати клінічних досліджень, місцеву популяцію та демографію, можливості та інфраструктуру досліджень, наявний персонал, тривалість періоду набору учасників тощо.

Кожен з цих факторів окремо досить простий, але процес збору даних щодо кожного з них пов’язаний з багатьма проблемами, а результати можуть не надійно вказувати на те, чи підходить місце проведення досліджень для клінічного дослідження. В деяких випадках дані можуть бути просто застарілими або неповними, особливо якщо вони були перевірені лише на невеликій вибірці досліджень.

Дані, які допомагають визначити вибір місця проведення досліджень, також походять з різних джерел, таких як внутрішні бази даних, платні послуги, постачальники або організації, які займаються клінічними дослідженнями. З огляду на велику кількість факторів, збір та оцінка цих даних можуть бути заплутаними, що в деяких випадках може привести до неправильних рішень щодо місця проведення досліджень. В результаті організації, які проводять клінічні дослідження, можуть переоцінити або недооцінити свою здатність набрати учасників для клінічних досліджень, що призводить до марних витрат, затримок та низької частки збереження учасників.

Як штучний інтелект може допомогти у виборі місця проведення клінічних досліджень?

Штучний інтелект може бути навчений на історичних та реальних даних потенційних місць проведення досліджень, щоб передбачити показники набору учасників та результати місця проведення досліджень – оптимізуючи розподіл місць проведення досліджень, знижуючи надмірний або недостатній набір учасників, та покращуючи загальну ефективність та вартість. Ці моделі також можуть ранжувати потенційні місця проведення досліджень за допомогою визначення найкращої комбінації атрибутів місця проведення досліджень та факторів, які відповідають цілям дослідження та стратегіям набору учасників.

Моделі штучного інтелекту, навчені на клінічних даних, медичних та фармацевтичних даних, а також даних про пацієнтів з членства (первинної медичної допомоги), можуть також допомогти ідентифікувати місця проведення клінічних досліджень, які забезпечать доступ до різноманітних та відповідних популяцій пацієнтів. Ці місця можуть бути розташовані в центральних районах для недопредставлених груп або навіть проводитися в популярних місцях у громаді, таких як перукарні, віросповідні та громадські центри, допомагаючи подолати як бар’єри доступності пацієнтів, так і обмежену різноманітність.

2. Низький набір учасників

Набір учасників залишається однією з найбільших проблем клінічних досліджень, займаючи до однієї третини тривалості дослідження. Фактично, одне з п’яти досліджень не можуть набрати необхідну кількість учасників. Коли дослідження стають більш складними – з додатковими контактами з пацієнтами, суворішими критеріями включення та виключення, а також все більш складними планами дослідження – проблеми з набором учасників продовжують зростати. Не дивно, що дослідження пов’язують зростання складності протоколу з зниженням показників набору учасників та збереження їх у дослідженні.

Окрім цього, суворі та часто складні критерії прийому, розроблені для забезпечення безпеки учасників та цілісності дослідження, часто обмежують доступ до лікування та непропорційно виключають определені популяції пацієнтів, включаючи літніх людей та расові, етнічні та гендерні меншини. У онкологічних дослідженнях лише 17-21% пацієнтів не можуть взяти участь через обмеження критеріїв прийому.

Штучний інтелект готовий оптимізувати критерії прийому та набір учасників. Хоча набір учасників традиційно вимагав ручного відбору пацієнтів лікарями – що дуже часу споживає – штучний інтелект може ефективно та швидко підібрати профіль пацієнта до відповідних досліджень.

Наприклад, алгоритми машинного навчання можуть автоматично визначати значущі закономірності у великих наборах даних, таких як електронні медичні записи та медична література, щоб покращити ефективність набору учасників. Дослідники навіть розробили інструмент, який використовує великі мовні моделі для швидкого огляду кандидатів у великому масштабі та допомогу у передбаченні прийому пацієнтів, знижуючи час відбору пацієнтів на більше 40%.

Компанії охорони здоров’я, які приймають штучний інтелект, також розробляють інструменти, які допомагають лікарям швидко та точно визначити відповідні дослідження для пацієнтів. Це підтримує прискорення набору учасників, потенційно дозволяючи дослідженням розпочатися раніше та надаючи пацієнтам раніше доступ до нових досліджуваних ліків.

3. Доступність пацієнтів та обмежена різноманітність

Штучний інтелект може відігравати критичну роль у покращенні доступу до клінічних досліджень, особливо для пацієнтів з недопредставлених демографічних груп. Це важливо, оскільки недоступність та обмежена різноманітність не тільки сприяють низькому набору учасників та збереженню їх у дослідженні, але й призводять до нерівного розвитку ліків.

Розгляньте, що місця проведення клінічних досліджень зазвичай зосереджені в міських районах та великих академічних центрах. В результаті громади в сільських чи недопредставлених районах часто не можуть доступитися до цих досліджень. Фінансові бар’єри, такі як витрати на лікування, транспортування, догляд за дітьми та витрати на відсутність у роботі, погіршуються в етнічних та расових меншинах та групах з нижчою середньою соціально-економічною статусом.

В результаті расові та етнічні меншини складають лише 2% пацієнтів у клінічних дослідженнях у США, незважаючи на те, що вони складають 39% населення країни. Ця відсутність різноманітності становить значний ризик щодо генетики, яка варіюється серед расових та етнічних популяцій та може впливати на небажані реакції на ліки. Наприклад, азіати, латиноамериканці та афроамериканці з атриальною фібриляцією (аномальним серцевим ритмом, пов’язаним із серцевими ускладненнями), які приймають варфарин, ліки, які запобігають утворенню кров’яних згустків, мають вищий ризик крововиливу в мозок порівняно з європейцями.

Більша представленість у клінічних дослідженнях є важливою для того, щоб дослідники могли розробити ліки, які будуть ефективними та безпечними для різноманітних популяцій, забезпечуючи, що медичні досягнення будуть корисними для всіх – а не лише для окремих демографічних груп.

Штучний інтелект може допомогти спонсорам клінічних досліджень подолати ці проблеми, сприяючи децентралізованим дослідженням – переміщенню діяльності досліджень у віддалені та альтернативні місця, а не збору даних у традиційних місцях проведення клінічних досліджень.

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

Розумніші дослідження роблять розумніші ліки

Клінічні дослідження – ще одна галузь, яка може бути трансформована штучним інтелектом. З його можливістю аналізувати великі набори даних, визначати закономірності та автоматизувати процеси, штучний інтелект може надати цілісні та ефективні рішення сучасним проблемам – оптимізуючи дизайн дослідження, підвищуючи різноманітність пацієнтів, прискорюючи набір учасників та подолання бар’єрів доступності.

Якщо галузь охорони здоров’я продовжить приймати рішення, керовані штучним інтелектом, майбутнє клінічних досліджень має потенціал стати більш інклюзивним, орієнтованим на пацієнта та інноваційним. Прийняття цих технологій не лише означає дотримання сучасних тенденцій – це створення клінічної дослідницької екосистеми, яка прискорює розвиток ліків та забезпечує більш справедливі результати охорони здоров’я для всіх.