In een recensie die op 17 juli in het tijdschrift wordt gepubliceerd Trends in farmacologische wetenschappen , onderzoekers onderzochten hoe kunstmatige intelligentie (AI) de ontwikkeling van geneesmiddelen in het komende decennium zou kunnen beïnvloeden.

Big pharma en andere medicijnontwikkelaars worstelen met een dilemma:het tijdperk van blockbuster-geneesmiddelen loopt ten einde. Tegelijkertijd, het toevoegen van nieuwe medicijnen aan hun portefeuilles is traag en duur. Het duurt gemiddeld 10-15 jaar en $1,5-2 miljard om een ​​nieuw medicijn op de markt te krijgen; ongeveer de helft van deze tijd en investering wordt besteed aan klinische proeven.

Hoewel AI nog geen significante invloed heeft gehad op klinische onderzoeken, Op AI gebaseerde modellen helpen bij het ontwerpen van proeven, Op AI gebaseerde technieken worden gebruikt voor het rekruteren van patiënten, en op AI gebaseerde monitoringsystemen zijn bedoeld om de naleving van studies te vergroten en de uitvalpercentages te verminderen.

"AI is geen wondermiddel en is een werk in uitvoering, toch belooft het veel voor de toekomst van de gezondheidszorg en de ontwikkeling van geneesmiddelen, " zegt hoofdauteur en computerwetenschapper Stefan Harrer, een onderzoeker bij IBM Research-Australia.

Als onderdeel van de review en op basis van hun onderzoek, Harrer en collega's meldden dat AI het slagingspercentage van klinische proeven mogelijk kan verhogen door:

• Efficiënt meten van biomarkers die de effectiviteit van het geteste medicijn weerspiegelen
• Het identificeren en karakteriseren van subpopulaties van patiënten die het meest geschikt zijn voor specifieke geneesmiddelen. Minder dan een derde van alle fase II-verbindingen gaat door naar fase III, en één op de drie fase III-onderzoeken mislukt - niet omdat het medicijn niet effectief of gevaarlijk is, maar omdat de studie niet genoeg patiënten of de juiste soorten patiënten heeft.
• Start-ups, grote bedrijven, regelgevende instanties, en regeringen onderzoeken en stimuleren allemaal het gebruik van AI voor het verbeteren van het ontwerp van klinische proeven, zegt Harrer. "Wat we op dit moment zien, is voornamelijk in een vroeg stadium, proof-of-concept, en haalbaarheidspilotstudies die het grote potentieel van talrijke AI-technieken voor het verbeteren van de prestaties van klinische proeven aantonen, ' zegt Harr.

De auteurs identificeren ook verschillende gebieden die de meest realistische belofte van AI voor patiënten laten zien. Bijvoorbeeld:

• Door AI ingeschakelde systemen kunnen patiënten mogelijk meer toegang tot en controle over hun persoonlijke gegevens geven.
• Coaching via op AI gebaseerde apps kan voor en tijdens proeven plaatsvinden.
• AI zou de naleving van protocollen door individuele patiënten continu in realtime kunnen volgen.
• AI-technieken kunnen patiënten helpen naar proeven te leiden waarvan ze zich misschien niet bewust waren
• Vooral, Harrer zegt, het gebruik van AI in benaderingen van precisiegeneeskunde, zoals het toepassen van technologie om te bevorderen hoe efficiënt en nauwkeurig professionals een diagnose kunnen stellen, behandelen en beheren van neurologische ziekten, is veelbelovend. "AI kan een diepgaande invloed hebben op het verbeteren van de monitoring van patiënten voor en tijdens neurologische onderzoeken, " hij zegt.

De review evalueerde ook de mogelijke implicaties voor farma, welke bevatte:

• Computervisie-algoritmen die mogelijk relevante patiëntenpopulaties kunnen lokaliseren via een reeks invoer van handgeschreven formulieren tot digitale medische beelden.
• Toepassingen van AI-analyse op mislukte klinische onderzoeksgegevens om inzichten te ontdekken voor toekomstig onderzoeksontwerp.
• Het gebruik van AI-mogelijkheden zoals Machine Learning (ML), Diep leren (DL), en Natural Language Processing (NLP) voor het correleren van grote en diverse datasets zoals elektronische medische dossiers, medische literatuur, en onderzoeksdatabases om de farmaceutische industrie te helpen bij het verbeteren van het onderzoeksontwerp, patiënt-trial matching, en rekruteren, evenals voor het bewaken van patiënten tijdens proeven.

De auteurs identificeerden ook een aantal belangrijke aandachtspunten voor onderzoekers:

• "Health AI" is een groeiend veld dat geneeskunde, farma, datawetenschap en techniek.
• De volgende generatie gezondheidsgerelateerde AI-experts heeft een breed scala aan kennis nodig op het gebied van analyse, algoritmecodering en technologie-integratie.
• Er is voortdurend werk nodig om de gegevensprivacy te beoordelen, veiligheid en toegankelijkheid, evenals de ethiek van het toepassen van AI-technieken op gevoelige medische informatie.

Omdat AI-methoden pas in de afgelopen 5 tot 8 jaar zijn toegepast op klinische onderzoeken, het zal hoogstwaarschijnlijk nog een aantal jaren duren in een typische ontwikkelingscyclus van 10 tot 15 jaar voordat de impact van AI nauwkeurig kan worden beoordeeld.

Ondertussen, rigoureus onderzoek en ontwikkeling is nodig om de levensvatbaarheid van deze innovaties te verzekeren, zegt Harer. "Er is nog veel meer werk nodig voordat de AI die in pilootstudies is aangetoond, kan worden geïntegreerd in het ontwerp van klinische proeven, "zegt hij. "Elke schending van het onderzoeksprotocol of het voortijdig stellen van onredelijke verwachtingen kan leiden tot een ondermijning van het vertrouwen - en uiteindelijk het succes - van AI in de klinische sector."