Parte 1. AI ensaios clínicos: uma revolução em curso
A indústria farmacêutica está passando por uma transformação impulsionada pela AI, que tem o potencial de economizar milhões para as empresas farmacêuticas ao permitir ensaios clínicos mais eficientes e data. Enquanto o desenvolvimento tradicional enfrenta custos crescentes (Lei de Eroom), AI o processo, reduzindo significativamente o tempo médio dos ensaios. AI generativa otimiza AI o desenho dos ensaios, o recrutamento de pacientes e data .
As principais inovações incluem:
- Modelagem preditiva para o sucesso de ensaios clínicos.
- Recrutamento aprimorado de pacientes por meio de algoritmos voltados para a diversidade.
- data em tempo real por meio de ensaios clínicos descentralizados (DCTs).
“Observamos uma redução significativa no tempo médio entre o início e a conclusão dos ensaios clínicos, que passou de 8,6 anos em 2019 para 4,8 anos em 2022.”
Luca Mollo, vice-presidente e diretor médico da Pfizer na França
Parte 2. Impacto no mundo real: casos de uso transformadores ao longo da cadeia de valor dos ensaios clínicos
A verdadeira promessa da AI no curto prazo AI em revolucionar os processos para permitir ensaios clínicos mais rápidos, eficientes e data, capazes de acelerar significativamente o desenvolvimento de novas terapias.
Para mapear os casos de uso, Artefact a cadeia de valor dos ensaios clínicos em três fases principais, a fim de fornecer uma estrutura clara e focada.
Caso de uso nº 1: Elaboração de ensaios clínicos
AI o planejamento de ensaios clínicos ao prever resultados e otimizar os critérios de elegibilidade dos pacientes. Ferramentas como a otimização de ensaios clínicos AI, a previsão do sucesso de ensaios baseada em algoritmos e o TrialGPT melhoram a tomada de decisões por meio da análise data históricos.
Impacto: Desenho de ensaios clínicos Data, protocolos de ensaios mais rápidos, maior satisfação dos pacientes.
“Acreditamos firmemente na transformação da pesquisa e do desenvolvimento clínico por meio AI, tendo priorizado 18 áreas temáticas de P&D com diversos casos AI de alto potencial, que vão desde a identificação de alvos até o desenho de ensaios clínicos. Essa convicção nos permitirá enfrentar os dois principais desafios do processo de inovação em medicamentos: a probabilidade de sucesso e o tempo de comercialização.”
Brice Miranda, Diretor Data do Grupo Servier
Caso de uso nº 2: Recrutamento e inscrição de pacientes
AI as ineficiências no recrutamento, com plataformas como a inato ampliando o acesso a ensaios clínicos e promovendo a diversidade e o envolvimento dos pacientes. Algoritmos preditivos identificam centros ideais para grupos demográficos sub-representados.
Impacto: O tempo de recrutamento foi reduzido pela metade; a diversidade aumentou para 67% de participantes não brancos (em comparação com 15%).
“70% dos ensaios clínicos concentram-se em apenas 5% dos principais hospitais, enquanto 90% dos locais potenciais permanecem subutilizados.”
Kourosh Davarpanah, cofundador e CEO da inato
Caso de uso nº 3: Execução e gestão
A análise AI automatiza data , revela padrões ocultos e gera resumos iniciais que agilizam o processo de elaboração de conclusões. Ferramentas avançadas gerenciam data ensaios clínicos descentralizados, integrando insights para acelerar a formulação de conclusões. O Processamento de Linguagem Natural (NLP) automatiza a elaboração de relatórios, reduzindo os prazos em mais de 50%.
Impacto: aprovações regulatórias mais rápidas, custos mais baixos, melhor tomada de decisões.
“Isso reduz drasticamente o tempo de elaboração de relatórios de 100 dias para apenas 48, por meio do processamento rápido data, da automação de tarefas e da geração de um rascunho preliminar para apresentação às autoridades regulatórias.”
Luca Mollo, vice-presidente e diretor médico da Pfizer na França
Parte 3. Impulsionando a inovação: o ecossistema em expansão dos ensaios clínicos AI
O papel das grandes empresas de tecnologia no avanço dos ensaios clínicos AI
Startups e gigantes da tecnologia, como o Google e a IBM, estão liderando a revolução nos ensaios clínicos por meio de ferramentas AI. Entre os projetos de destaque estão:
- AlphaFold (Google DeepMind): Prevê estruturas proteicas, acelerando a descoberta de medicamentos.
- Plataforma IBM Watson Health: identifica padrões em data clínicos data melhor selecionar os pacientes para os ensaios clínicos.
“Estamos deixando de ser um ecossistema de saúde reativo para nos tornarmos um ecossistema proativo, quase preditivo.”
Shweta Maniar, diretora global de Saúde e Ciências da Vida do Google
Como as startups estão impulsionando a inovação na pesquisa clínica
Novos participantes estão remodelando o panorama com tecnologias de ponta e abordagens inovadoras, enfrentando desafios de longa data em áreas como o desenho de ensaios clínicos, o recrutamento de pacientes, data e a eficiência dos ensaios. Entre os novos participantes de destaque estão:
- Klineo: Ajuda os pacientes a encontrar o ensaio clínico mais adequado.
- AI : Oferece monitoramento descentralizado de pacientes para reduzir as taxas de abandono.
- Unlearn.ai: Reduz as necessidades de recrutamento por meio da geração de gêmeos digitais, agilizando o tempo de lançamento no mercado.
“Bancos de dados públicos como o ClinicalTrials.gov (nos EUA) e o CTIS (na Europa) contêm grandes quantidades de data muitas vezes são desestruturados e desatualizados, o que causa atrasos na localização de ensaios clínicos relevantes e, consequentemente, retarda o recrutamento de pacientes.”
Thomas Peyresblanques, cofundador e CEO da Klineo
Parte 4. Desafios futuros: superando barreiras e limitações
Restrições regulatórias: garantir a proteção do paciente e, ao mesmo tempo, acelerar a inovação
A adoção AIem ensaios clínicos é dificultada por complexidades regulatórias, problemas data e questões éticas relacionadas a viés e transparência. No entanto, estruturas normativas como a AI da UE visam garantir aplicações seguras e de alta qualidade.
“A regulamentação europeia é rigorosa, mas representa uma vantagem ao servir de barreira à entrada de empresas que não cumprem as normas.”
Charlotte Pouchy, CEO da Deemea
Data , interoperabilidade e data sintéticos: superando os principais desafios
Na Europa, data da área da saúde data fragmentados e inconsistentes entre os países, o que complica a análise AI. A falta de padronização entre os sistemas nacionais de TI na área da saúde complica ainda mais essa questão. data sintéticos data uma solução promissora para enfrentar esses desafios, ao mesmo tempo em que preservam a privacidade dos pacientes.
Outros desafios à AI em ensaios clínicos incluem o viés decorrente de conjuntos de dados não representativos, a falta de transparência em algoritmos do tipo “caixa preta” e o aumento dos riscos de segurança cibernética. Para resolver essas questões, é necessário garantir que os modelos sejam generalizáveis para diversas populações, melhorar a explicabilidade e equilibrar data robusta data com a necessidade de data suficiente data , dentro de marcos regulatórios rigorosos, como AI da UE e o RGPD.
“O desafio de compreender e explicar as decisões tomadas por AI , aliado a possíveis vieses, representa um obstáculo significativo para sua utilização em ensaios clínicos.”
Nathalie Beslay, advogada, cofundadora e CEO da Naaia
Apesar desses obstáculos, AI estabelecendo um novo padrão para a pesquisa clínica: ela não está apenas aprimorando os ensaios clínicos, mas sim redefinindo-os, abrindo caminho para um desenvolvimento de medicamentos mais rápido, seguro e centrado no paciente, com potencial para melhorar significativamente os resultados dos pacientes e promover avanços na área da saúde.
Assista à conferência com Luca Mollo, vice-presidente e diretor médico para a França (M.D.) da Pfizer, e nossos Artefact , Thomas Filaire, sócio, e Léa Giroulet, Data sênior Data , sobre as principais conclusões deste relatório:
