Michel van Harten M.D., myTomorrows的CEO Michel van Harten M.D. myTomorrows的CEO

人工智能：解决临床试验面临的最大挑战

现代医学是一个奇迹，过去难以想象的治愈方法和治疗现在已经广泛可用。例如，植入式除颤器可以帮助调节心律，减少心脏骤停的风险。这些突破如果没有临床试验——评估医疗干预对人类参与者的影响的严格研究——是不可能实现的。不幸的是，临床试验过程已经变得更加缓慢和昂贵。事实上，只有七分之一的药物进入第一阶段试验——安全性测试的第一阶段——最终获得批准。目前，平均需要近十亿美元的资金和十年的工作时间才能将一款新药推向市场。其中一半的时间和资金花在临床试验上，临床试验面临着日益增长的障碍，包括招募效率低下、多样性有限和患者无法接触。因此，药物发现速度变慢，成本继续上升。幸运的是，最近的人工智能发展有可能打破这种趋势，并使药物开发变得更好。从能够以惊人的精度预测复杂蛋白质相互作用的模型到能够简化日常任务的人工智能实验室助手，人工智能驱动的创新已经在重塑制药业。采用新的人工智能能力来解决临床试验的障碍，可以提高试验过程的效率，造福患者、医生和生物制药公司，为开发新的、有影响力的药物和更好的健康结果铺平道路。药物开发的障碍处于开发中的药物在临床试验过程中面临着许多挑战，导致来自美国食品和药物管理局（FDA）等监管机构的批准率非常低。因此，许多研究药物永远无法上市。主要挑战包括试验设计问题、患者招募率低和患者可及性和多样性有限——这些问题相互加剧，阻碍了药物开发的进展和公平性。1. 试验场地选择挑战临床试验的成功在很大程度上取决于试验场地——通常是医院或研究中心——是否能够招募和注册足够的合格研究人群。场地选择传统上基于多个重叠的因素，包括历史表现、当地患者人群和人口统计、研究能力和基础设施、可用的研究人员、招募期限等。每个标准本身很直接，但收集这些数据的过程充满挑战，结果可能无法可靠地指示场地是否适合试验。在某些情况下，数据可能只是过时的或不完整的，特别是如果它们只在少数研究中经过验证。帮助确定场地选择的数据来自不同的来源，例如内部数据库、订阅服务、供应商或合同研究组织（CRO），它们提供临床试验管理服务。由于有这么多因素，聚合和评估这些信息可能会令人困惑和混乱，这有时会导致对试验场地做出次优决策。因此，试验的赞助商——进行临床试验的组织——可能会高估或低估他们招募患者的能力，导致资源浪费、延迟和低保留率。那么，人工智能如何帮助完善试验场地选择呢？通过训练人工智能模型使用潜在场地的历史和实时数据，试验赞助商可以预测患者注册率和场地的表现——优化场地分配，减少过度或不足的注册，提高整体效率和成本。这些模型还可以根据场地属性和与研究目标和招募策略相符的因素对潜在场地进行排名。用临床试验元数据、医疗和药店索赔数据以及来自会员（初级医疗）服务的患者数据训练的人工智能模型也可以帮助识别将为多样化和相关患者人群提供访问权限的临床试验场地。这些场地可以位于代表性不足的群体的中心或社区中流行的场所，例如理发店、信仰和社区中心，帮助解决患者可及性和多样性不足的问题。2. 低患者招募率患者招募仍然是临床试验中最大的瓶颈，占用了研究时间的三分之一。事实上，五分之一的试验无法招募到所需数量的参与者。随着试验变得更加复杂——增加了患者接触点、更加严格的纳入和排除标准以及日益复杂的研究设计——招募挑战继续增长。毫无疑问，研究表明，协议复杂性的增加与患者注册和保留率的下降有关。此外，严格且通常复杂的资格标准，旨在确保参与者安全和研究完整性，通常限制了患者的治疗机会，并不成比例地排除了某些患者群体，包括老年人和种族、民族和性别少数群体。在肿瘤试验中，估计有17-21%的患者无法注册，因为资格要求过于严格。人工智能可以优化患者资格标准和招募。虽然传统上招募需要医生手动筛查患者——这是非常耗时的——人工智能可以高效、有效地将患者资料与合适的试验进行匹配。例如，机器学习算法可以自动识别大型数据集中的有意义的模式，例如电子健康记录和医学文献，以提高患者招募效率。研究人员甚至开发了一种工具，利用大型语言模型快速在大规模上审查候选者并帮助预测患者的资格，减少了超过40%的患者筛查时间。采用人工智能的健康技术公司也正在开发工具，帮助医生快速、准确地确定适合患者的试验。这支持招募加速，可能使试验能够更早地开始，从而为患者提供更早地接触新型调查性治疗的机会。3. 患者可及性和多样性有限人工智能可以在提高临床试验的可及性方面发挥至关重要的作用，特别是对于代表性不足的群体。由于患者无法接触和多样性有限不仅导致患者招募和保留率低，还导致了不公平的药物开发。考虑到临床试验场地通常集中在城市地区和大型学术中心。结果是，农村或服务不足的社区通常无法接触到这些试验。经济负担，例如治疗成本、交通、儿童保育和缺勤工作的成本，会加剧患者参与试验的障碍，并且在种族和民族少数群体以及低于平均的社会经济地位的群体中更加明显。因此，美国临床试验中的患者中，种族和民族少数群体代表了不到2%，尽管他们占据了全国人口的39%。这种缺乏多样性在遗传学方面构成了重大风险，因为遗传因素在不同种族和民族人群中存在差异，可以影响不良药物反应。例如，患有心房颤动（与心脏并发症相关的异常心律）的亚裔、拉丁裔和非裔美国人在服用华法林（一种预防血栓的药物）时，相比欧洲裔人群，脑出血的风险更高。因此，在临床试验中增加代表性对于帮助研究人员开发既有效又适合多样化人群的治疗方法至关重要，确保医学进步惠及所有人，而不仅仅是某些人群。人工智能可以帮助临床试验赞助商解决这些挑战，通过促进去中心化试验——将试验活动转移到远程和替代地点，而不是在传统的临床试验场地收集数据。去中心化试验通常使用可穿戴设备，这些设备数字化地收集数据，并使用人工智能驱动的分析来总结与试验参与者相关的匿名信息。结合电子检查，这种混合方法可以消除地理障碍和交通负担，使试验更加开放，惠及更多患者。更聪明的试验造就更聪明的治疗临床试验是另一个可以被人工智能转变的领域。凭借其分析大型数据集、识别模式和自动化流程的能力，人工智能可以为当前的挑战提供整体和强大的解决方案——优化试验设计、提高患者多样性、简化招募和保留，并打破可及性障碍。如果医疗保健行业继续采用人工智能驱动的解决方案，临床试验的未来有可能变得更加包容、以患者为中心和创新的。接受这些技术不仅仅是跟上现代趋势——它是关于创造一个临床研究生态系统，该生态系统加速药物开发并为所有人提供更公平的医疗保健结果。