Faça o download do e-book aqui.
Parte 1. IA em estudos clínicos: Uma revolução em andamento
O setor farmacêutico está passando por uma mudança transformadora impulsionada pela IA, que tem o potencial de economizar milhões para as empresas farmacêuticas ao permitir testes clínicos mais eficientes, data-driven. Embora o desenvolvimento tradicional enfrente custos crescentes (Lei de Eroom), a IA acelera o processo, reduzindo significativamente o tempo médio dos estudos. A IA generativa otimiza ainda mais o projeto do estudo, o recrutamento de pacientes e a análise data.
As principais inovações incluem:
- Modelagem preditiva para o sucesso do estudo.
- Recrutamento aprimorado de pacientes usando algoritmos voltados para a diversidade.
- Gerenciamento do data em tempo real por meio de testes clínicos descentralizados (DCTs).
“Observamos uma redução significativa no tempo médio desde o início até a conclusão dos estudos clínicos, diminuindo de 8,6 anos em 2019 para 4,8 anos em 2022.”
Luca Mollo, Vice-Presidente, Diretor Médico da França na Pfizer
Parte 2. Impacto no mundo real: Casos de uso transformadores em toda a cadeia de valor de ensaios clínicos
A verdadeira promessa de curto prazo da IA está em revolucionar os processos para permitir testes mais rápidos, mais eficientes e que possam acelerar significativamente o desenvolvimento de novas terapias.
Para mapear os casos de uso, o Artefact estruturou a cadeia de valor dos ensaios clínicos em três fases principais para fornecer uma estrutura clara e focada.
Caso de uso #1: Projeto de ensaios clínicos
A IA agiliza o projeto de estudos ao prever resultados e otimizar os critérios de elegibilidade dos pacientes. Ferramentas como a otimização de estudos clínicos com IA, a previsão de sucesso de estudos baseada em algoritmos e o TrialGPT melhoram a tomada de decisões por meio da análise do histórico data.
Impacto: Projeto de estudo orientado pelo Data, protocolos de estudo mais rápidos, maior satisfação do paciente.
“Acreditamos firmemente na transformação da pesquisa e do desenvolvimento clínico por meio da IA, tendo priorizado 18 temas de P&D com vários casos de uso de IA de alto potencial, que vão desde a identificação de alvos até o design de estudos. Essa convicção nos permitirá enfrentar os dois principais desafios do processo de inovação de medicamentos: probabilidade de sucesso e tempo de comercialização.”
Brice Miranda, Diretor do Grupo Data da Servier
Caso de uso #2: recrutamento e inscrição de pacientes
A IA aborda as ineficiências no recrutamento, com plataformas como a inato expandindo o acesso aos estudos e aumentando a diversidade e o comprometimento dos pacientes. Algoritmos preditivos identificam locais ideais para dados demográficos sub-representados.
Impacto: O tempo de recrutamento caiu pela metade; a diversidade aumentou para 67% participantes não brancos (de 15%).
“70% de estudos estão concentrados em apenas 5% dos principais hospitais, enquanto 90% de locais potenciais permanecem subutilizados.”
Kourosh Davarpanah, cofundador e CEO da inato
Caso de uso #3: Execução e gerenciamento
A análise orientada por IA automatiza o processamento do data, revela padrões ocultos e gera resumos iniciais que agilizam o processo de redação da conclusão. Ferramentas avançadas gerenciam o data de testes descentralizados, integrando insights para acelerar as conclusões. O Processamento de Linguagem Natural (NLP) automatiza os relatórios, reduzindo os prazos em mais de 50%.
Impacto: Aprovações regulatórias mais rápidas, custos mais baixos, melhor tomada de decisões.
“Ele reduz drasticamente o tempo de elaboração de relatórios de 100 dias para apenas 48, processando rapidamente o data, automatizando tarefas e gerando um rascunho preliminar para envio às autoridades regulatórias.”
Luca Mollo, Vice-Presidente, Diretor Médico da França na Pfizer
Parte 3. Alimentando a inovação: O ecossistema em expansão dos ensaios orientados por IA
O papel da Big Tech no avanço dos ensaios clínicos com IA
Startups e gigantes da tecnologia, como Google e IBM, estão liderando a tarefa de revolucionar os testes clínicos por meio de ferramentas baseadas em IA. Projetos notáveis incluem:
- AlphaFold (Google DeepMind): Prevê estruturas de proteínas, acelerando a descoberta de medicamentos.
- Plataforma IBM Watson Health: Encontra padrões em data clínicos para melhor adequar os pacientes aos estudos.
“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 cenário com tecnologias de ponta e novas abordagens, abordando desafios de longa data em áreas como projeto de estudos, recrutamento de pacientes, gerenciamento de data e eficiência de estudos. Entre os participantes notáveis estão:
- Klineo: Ajuda os pacientes a encontrar o estudo clínico mais relevante.
- AI Cure: fornece monitoramento descentralizado de pacientes para reduzir as taxas de desistência.
- Unlearn.ai: Reduz as necessidades de recrutamento ao gerar gêmeos digitais, acelerando o tempo de lançamento no mercado.
“As bases públicas de data, como a ClinicalTrials.gov (nos EUA) e a CTIS (na Europa), contêm grandes quantidades de data, mas muitas vezes não são estruturadas e estão desatualizadas, o que leva a atrasos na localização de estudos relevantes e, portanto, retarda o recrutamento de pacientes.”
Thomas Peyresblanques Cofundador e CEO da Klineo
Parte 4. Desafios futuros: Superação de barreiras e limitações
Restrições regulatórias: Garantir a proteção do paciente e, ao mesmo tempo, acelerar a inovação
A adoção da IA em estudos clínicos é dificultada por complexidades regulatórias, problemas de interoperabilidade data e preocupações éticas de parcialidade e transparência. No entanto, estruturas como a AI Act da UE visam garantir aplicativos seguros e de alta qualidade.
“A regulamentação europeia é rigorosa, mas representa uma vantagem como barreira de entrada para as empresas que não estão em conformidade.”
Charlotte Pouchy, CEO da Deemea
Data acesso, interoperabilidade e sintético data: Superando os principais desafios
Na Europa, o sistema de saúde data é fragmentado e inconsistente entre os países, o que complica a análise orientada por IA. A falta de padronização entre os sistemas nacionais de TI do setor de saúde complica ainda mais essa questão. O data sintético oferece uma solução promissora para enfrentar esses desafios e, ao mesmo tempo, manter a privacidade do paciente.
Outros desafios para a adoção da IA em estudos clínicos incluem o viés de datasets não representativos, a falta de transparência em algoritmos de “caixa preta” e o aumento dos riscos de segurança cibernética. Para resolver esses problemas, é necessário garantir que os modelos sejam generalizados em diversas populações, melhorando a explicabilidade e equilibrando a proteção robusta do data com a necessidade de acesso suficiente ao data sob estruturas regulatórias rigorosas, como a Lei de IA da UE e o GDPR.
“O desafio de entender e explicar as decisões tomadas pelos algoritmos de IA, juntamente com o possível viés, representa um obstáculo significativo para seu uso em estudos clínicos.”
Nathalie Beslay, advogada, cofundadora e CEO da Naaia
Apesar desses obstáculos, a IA está estabelecendo um novo padrão para a pesquisa clínica: ela não está apenas aprimorando os testes; está redefinindo-os, abrindo caminho para o desenvolvimento de medicamentos mais rápidos, seguros e focados no paciente, o que tem o potencial de melhorar significativamente os resultados dos pacientes e avançar na área da saúde.
Assista à conferência com Luca Mollo, vice-presidente, diretor médico da França, médico da Pfizer e nossos especialistas em Artefact, Thomas Filaire, sócio, e Léa Giroulet, Data Consultant sênior, sobre os principais insights desse relatório:
