L'intelligenza artificiale dà nuova vita agli studi clinici: Prospettive e sfide

L'intelligenza artificiale sta trasformando il mondo degli studi clinici, promettendo di dimezzare i tempi di sviluppo dei farmaci. Un recente white paper di Artefact esplora questa rivoluzione in corso, evidenziando le innovazioni che stanno rimodellando ogni fase del processo, dalla progettazione degli studi al reclutamento dei pazienti.

Il documento offre una panoramica su un ecosistema dinamico in cui startup, giganti tecnologici e laboratori farmaceutici stanno ridefinendo il futuro della ricerca medica.

Leggi l'articolo su

Come l'IA sta ridisegnando il panorama degli studi clinici: un'analisi di Artefact

L'industria farmaceutica è sull'orlo di una grande rivoluzione negli studi clinici, alimentata dall'intelligenza artificiale (AI). Un recente white paper di Artefact, in collaborazione con AI for Health, esplora come l'IA stia trasformando ogni fase del processo di sperimentazione clinica, dalla progettazione all'analisi dei risultati.

Un'opportunità senza precedenti per accelerare lo sviluppo dei farmaci

In un settore in cui l'insuccesso è la norma - con 9 candidati su 10 che falliscono durante gli studi clinici - l'IA rappresenta un'opportunità rivoluzionaria. Riducendo le tempistiche di sviluppo di diverse settimane, l'IA ha il potenziale per far risparmiare milioni alle aziende farmaceutiche, accelerare le scoperte scientifiche e portare ai pazienti terapie salvavita più velocemente che mai.

L'attuale tasso di fallimento delle sperimentazioni cliniche di nuovi farmaci, dalla fase I all'approvazione clinica finale, supera il 90%. Le ragioni principali di questi fallimenti sono la mancanza di efficacia clinica (40-50%), la tossicità ingestibile (30%), le scarse proprietà del farmaco (10-15%) e l'assenza di esigenze commerciali o la scarsa pianificazione strategica (10%).

"Abbiamo scelto di concentrarci sull'IA e sull'IA generativa nella R&S farmaceutica per diversi motivi. In primo luogo, sta riscuotendo un notevole interesse e un'accelerazione da parte di molti stakeholder. In secondo luogo, l'IA e la R&S sono oggi temi strategici cruciali, con il potenziale di dimezzare la durata degli studi clinici. Infine, si tratta di un argomento molto attuale, dato che molti laboratori stanno già implementando o pianificando l'attivazione di questi casi d'uso".

Thomas Filaire, supervisore del white paper di Artefact , spiega le motivazioni alla base dello studio.

L'intelligenza artificiale sta ridefinendo ogni fase del ciclo di vita della sperimentazione clinica.

Il white paper di Artefactesplora come l'IA stia rivoluzionando le tre fasi chiave degli studi clinici:

1. Disegno dello studio clinico

L'intelligenza artificiale ottimizza il processo di progettazione dei protocolli di sperimentazione clinica, tradizionalmente lungo e complesso. Le principali innovazioni includono:

Utilizzo di modelli linguistici (LLM) per estrarre rapidamente i dati di sicurezza ed efficacia dai riassunti degli studi.
Previsione algoritmica del successo della sperimentazione, che consente di modificare il disegno o di concentrarsi sulle molecole più promettenti.
Generare i criteri di eleggibilità dei pazienti utilizzando modelli come TrialGPT o AutoTrial.

Questi progressi riducono in modo significativo i tempi di progettazione della sperimentazione, che a volte passano da diversi mesi a poche settimane. Ad esempio:

L'intelligenza artificiale può ridurre le tempistiche di progettazione dei protocolli clinici in media del 30%.
Un algoritmo genetico utilizzato per le prove di bioequivalenza pediatrica ha ridotto il numero di punti di raccolta dei campioni di sangue da 15 a 7, mantenendo l'accuratezza farmacocinetica.
L'intelligenza artificiale può ridurre il tempo necessario per analizzare i riassunti di studi clinici precedenti da diversi mesi a settimane.

2. Reclutamento e inclusione dei pazienti

Il reclutamento dei pazienti rimane una delle sfide principali degli studi clinici. L'intelligenza artificiale offre soluzioni innovative per:

Prevedere la probabilità che i pazienti abbandonino lo studio.
Ottimizzare la selezione dei siti di sperimentazione clinica.
Migliorare i moduli di consenso per i pazienti.

L'impatto dell'IA sul reclutamento è significativo:

Il tempo dedicato all'analisi delle cartelle cliniche elettroniche per identificare i pazienti idonei si riduce da 30 ore a 4 ore per paziente.
Uno studio di oncologia pediatrica ha dimostrato una riduzione del 90% del carico di lavoro di reclutamento.
Uno strumento di intelligenza artificiale ha ridotto il tempo di selezione di 90 pazienti a un quinto del tempo necessario manualmente.
Uno studio sul cancro ai polmoni ha dimostrato che un sistema di intelligenza artificiale ha esaminato 102 pazienti in soli 15,5 secondi con un'accuratezza del 91,6% per quanto riguarda l'idoneità.

3. Esecuzione e gestione di studi clinici

L'intelligenza artificiale sta trasformando l'esecuzione e l'analisi degli studi clinici grazie a diversi progressi:

Gestione della qualità basata sul rischio (RBQM): L'intelligenza artificiale migliora il rilevamento delle anomalie in tempo reale, consentendo interventi più rapidi e una migliore integrità dei dati.
Sperimentazioni cliniche decentralizzate (DCT): Migliorare il coinvolgimento dei partecipanti.
Scoperta di intuizioni attraverso l'analisi automatizzata dei dati.

Queste innovazioni aumentano l'efficienza, riducono i costi e snelliscono l'intero processo di sperimentazione clinica, accelerando lo sviluppo dei farmaci e migliorando i risultati.

Riduzione dei costi degli studi clinici fino al 25%.
Accelerazione dello sviluppo dei farmaci di 1-2 anni.
Riduzione dei tempi di redazione dei rapporti, da 100 a 48 giorni in alcuni casi.

Queste innovazioni stanno ridisegnando il panorama degli studi clinici, rendendoli più rapidi, efficienti ed economici.

Un ecosistema dell'innovazione in espansione.

Il white paper mette in evidenza il ruolo fondamentale svolto da vari stakeholder nel far progredire le soluzioni di IA per gli studi clinici, con un'attenzione particolare alle startup innovative e ai principali colossi tecnologici.

I principali giganti tecnologici che guidano l'innovazione.

I giganti della tecnologia come Google, Microsoft, IBM e Apple stanno svolgendo un ruolo sempre più importante nel promuovere gli studi clinici guidati dall'intelligenza artificiale:

Microsoft sta collaborando con Novartis alla sua iniziativa AI for Health per identificare progetti di sperimentazione ottimali e prevedere i risultati. Questa partnership si concentra sull'utilizzo dell'intelligenza artificiale generativa per migliorare la progettazione degli studi clinici e la previsione dei risultati in tempo reale.
IBM Watson Health analizza la letteratura medica e i dati delle sperimentazioni per migliorare la progettazione dei protocolli e il reclutamento dei pazienti. I loro modelli di intelligenza artificiale generativa si concentrano su grandi insiemi di dati per identificare modelli nei dati clinici, migliorando i protocolli di sperimentazione e le strategie di reclutamento.
Verily (una consociata di Alphabet) si concentra sul reclutamento dei pazienti e sulla gestione delle sperimentazioni con la sua piattaforma Baseline. Questa piattaforma utilizza l'intelligenza artificiale per raccogliere e analizzare i dati sanitari dei volontari, consentendo la progettazione di studi clinici più intelligenti e personalizzati.
Apple ha ricevuto l'approvazione della FDA per l'utilizzo dello strumento di monitoraggio della fibrillazione atriale del suo Apple Watch negli studi clinici. Si tratta del primo strumento digitale qualificato nell'ambito del programma Medical Device Development Tools (MDDT), che indica la possibilità di ridurre i costi e migliorare il coinvolgimento dei pazienti nella ricerca clinica.

"Stiamo passando da un ecosistema sanitario reattivo a uno proattivo, quasi predittivo".

sottolinea Shweta Maniar, direttore globale di Health and Life Sciences di Google Cloud.

Questo cambiamento riflette l'impatto trasformativo dell'IA sull'intero processo di sperimentazione clinica.

Le startup, che guidano l'innovazione nella ricerca clinica.

Molte startup stanno emergendo nel campo della ricerca clinica, offrendo soluzioni innovative per la progettazione degli studi, il reclutamento dei pazienti e la gestione dei dati. Il white paper delinea una mappa di questi attori innovativi, organizzati in base alle tre fasi chiave degli studi clinici:

1. Disegno dello studio clinico:

Florence Healthcare, Protocols.io, Protrials.ai: Automatizzare i protocolli.
Perceiv AI, Seq'one: Ottimizzazione dei target di sperimentazione.
Owkin, Medicina Insilico: Prevedere gli esiti delle sperimentazioni.
Unlearn.ai: Creazione di "gemelli digitali" dei pazienti per prevedere i risultati della sperimentazione, riducendo il numero di pazienti di controllo necessari dal 20% al 50%.

2. Reclutamento e inclusione dei pazienti:

Klineo, SubjectWell: Iscrizione a studi clinici.
Deep 6 AI, TrialSpark: Reclutamento dei pazienti. Queste startup utilizzano l'intelligenza artificiale per analizzare le cartelle cliniche elettroniche e identificare rapidamente i pazienti idonei per gli studi clinici.

"Meno del 5% dei pazienti beneficia di studi clinici oncologici, mentre il 70% dichiara che sarebbe disposto a parteciparvi se ne avesse l'opportunità. C'è una chiara necessità di migliorare l'abbinamento tra pazienti e sperimentazioni, e i recenti progressi dell'intelligenza artificiale lo rendono possibile".

Thomas Peyresblanques, cofondatore e amministratore delegato di Klineo, sottolinea che si tratta di una questione critica.

3. Esecuzione e gestione delle prove:

Lynxcare: gestione dei dati
AiCure, Castor: sperimentazione decentralizzata e monitoraggio dei pazienti. AiCure utilizza l'intelligenza artificiale per monitorare l'aderenza dei pazienti ai trattamenti e fornisce un feedback in tempo reale ai siti di sperimentazione.

"Con solo il 4% delle sperimentazioni che includono una popolazione rappresentativa, Inato aiuta gli sponsor a reclutare i pazienti a una velocità doppia, aumentando la diversità fino al 67% di partecipanti non bianchi, rispetto a una media precedente del 15%".

spiega Kourosh Davarpanah, cofondatore e CEO di Inato, sottolineando l'impatto della loro soluzione

Ciò riflette il potenziale dell'IA per migliorare il reclutamento e l'inclusione negli studi clinici.

Sfide da superare

Nonostante i promettenti progressi, rimangono delle sfide per quanto riguarda l'adozione dell'IA negli studi clinici:

Regolamentazione e protezione dei dati: Le autorità sanitarie devono adattare i quadri normativi per incorporare le nuove tecnologie di IA, garantendo al contempo la sicurezza dei pazienti. Charlotte Pouchy, CEO di DEEMEA, sottolinea: "La regolamentazione europea è rigorosa, ma può essere un vantaggio in quanto agisce come una barriera all'ingresso per le aziende non conformi". L'Europa si sta posizionando come regolatore chiave, enfatizzando la sicurezza dei cittadini nell'uso dell'IA.
Accesso ai dati e interoperabilità: Brice Miranda, Group Chief Data Officer di Servier, sottolinea che: "La condivisione globale dei dati è fondamentale per far progredire la ricerca, ma è spesso ostacolata da barriere legali, di riservatezza e di concorrenza, oltre che dalla mancanza di adesione a standard e formati di dati comuni". Questa sfida è particolarmente importante per le malattie rare, dove la limitatezza dei dati rende la collaborazione ancora più essenziale.
Bias e generalizzazione:I modelli di intelligenza artificialedevono essere addestrati su set di dati rappresentativi per evitare pregiudizi e garantire che i risultati siano generalizzabili a popolazioni diverse. Ciò rappresenta una sfida etica importante, poiché i pregiudizi nei dati di addestramento possono portare a risultati distorti e non riproducibili. Affrontare questa sfida è fondamentale per garantire che gli studi clinici guidati dall'IA forniscano risultati accurati ed equi per tutti i gruppi di pazienti.
Trasparenza e spiegabilità: La natura "black-box" di molti modelli di IA solleva problemi etici e di fiducia, in particolare negli studi clinici dove l'accuratezza delle previsioni è fondamentale. È essenziale spiegare come i modelli di IA prendono le decisioni per ottenere la fiducia degli stakeholder. Senza trasparenza, l'uso dell'IA negli studi clinici potrebbe essere limitato, poiché gli enti regolatori e i pazienti devono comprendere le motivazioni alla base delle decisioni per garantire l'affidabilità e la fiducia nella tecnologia.
Cybersecurity e privacy dei dati: La protezione dei dati rimane una delle principali preoccupazioni nell'uso dell'IA per gli studi clinici. Per garantire la sicurezza dei dati dei pazienti sono necessarie solide misure di cybersecurity e l'autenticazione a più fattori.

In conclusione, l'IA offre opportunità senza precedenti per rivoluzionare gli studi clinici, ma l'adozione diffusa richiede di affrontare queste complesse sfide. La collaborazione tra startup, giganti tecnologici, aziende farmaceutiche e autorità di regolamentazione sarà essenziale per sfruttare appieno il potenziale dell'IA, garantendo al contempo la sicurezza e l'etica degli studi clinici.

(1) : Zhang, B., Zhang, L., Chen, Q. et al. Harnessing artificial intelligence to improve clinical trial design. Commun Med 3, 191 (2023). https://doi.org/10.1038/s43856-023-00425-3

(2) : Tsuchiwata S, Tsuji Y. Progettazione computazionale di studi clinici mediante una combinazione di simulazione e algoritmo genetico. CPT Pharmacometrics Syst Pharmacol. 2023 Apr;12(4):522-531. doi: 10.1002/psp4.12944. Pubblicato il 5 marzo 2023. PMID: 36793239; PMCID: PMC10088085.

(4) : Ismail A, Al-Zoubi T, El Naqa I, Saeed H. Il ruolo dell'intelligenza artificiale nell'accelerare i tempi di reclutamento negli studi clinici. BJR Open. 2023 May 16;5(1):20220023. doi: 10.1259/bjro.20220023. PMID: 37953865; PMCID: PMC10636341.