AI Breathes New Life into Clinical Trials: Perspectives and Challenges

Kunstmatige intelligentie verandert de wereld van klinische proeven en belooft de tijd die nodig is voor de ontwikkeling van medicijnen te halveren. Een recente whitepaper van Artefact onderzoekt deze voortdurende revolutie en belicht innovaties die elke fase van het proces veranderen, van het proefontwerp tot de werving van patiënten.

De paper biedt inzicht in een dynamisch ecosysteem waarin startups, techgiganten en farmaceutische laboratoria de toekomst van medisch onderzoek opnieuw definiëren.

Lees het artikel op

Hoe AI het landschap van klinische proeven verandert: een analyse door Artefact

De farmaceutische industrie staat aan de vooravond van een grote revolutie in klinische proeven, aangewakkerd door artificial intelligence (AI). In een recente whitepaper van Artefact, in samenwerking met AI for Health, wordt onderzocht hoe AI elke fase van het klinische onderzoeksproces transformeert, van het ontwerp tot de analyse van resultaten.

Een ongekende kans om de ontwikkeling van geneesmiddelen te versnellen

In een sector waar mislukking de norm is - met 9 van de 10 kandidaat-geneesmiddelen die mislukken tijdens klinische tests - biedt AI een revolutionaire kans. Door de ontwikkelingstijden met enkele weken te verkorten, heeft AI het potentieel om miljoenen te besparen voor farmaceutische bedrijven, wetenschappelijke doorbraken te versnellen en patiënten sneller dan ooit levensreddende therapieën te bieden.

Het huidige mislukkingspercentage van klinische studies voor nieuwe geneesmiddelen, van fase I tot de uiteindelijke klinische goedkeuring, bedraagt meer dan 90%. De belangrijkste redenen voor deze mislukkingen zijn een gebrek aan klinische doeltreffendheid (40-50%), onbeheersbare toxiciteit (30%), slechte eigenschappen van het geneesmiddel (10-15%) en het ontbreken van commerciële behoeften of slechte strategische planning (10%).

“We hebben om verschillende redenen gekozen om ons te richten op AI en generatieve AI in farmaceutische R&D. Ten eerste is er bij veel belanghebbenden sprake van een aanzienlijke belangstelling en versnelling. Ten tweede zijn AI en R&D vandaag de dag cruciale strategische onderwerpen, met het potentieel om de duur van klinische studies te halveren. Tot slot is het een zeer actueel onderwerp, aangezien veel laboratoria deze use cases al inzetten of van plan zijn om ze te activeren.”

zegt Thomas Filaire, begeleider van de whitepaper bij Artefact om de beweegredenen achter het onderzoek uit te leggen

AI herdefinieert elke stap van de levenscyclus van klinische proeven.

De whitepaper van Artefact onderzoekt hoe AI een revolutie teweegbrengt in de drie belangrijkste fasen van klinische proeven:

1. Het ontwerp van het klinische onderzoek

AI optimaliseert het traditioneel lange en complexe proces van het ontwerpen van protocollen voor klinische onderzoeken. Belangrijke innovaties zijn onder andere:

Taalmodellen (LLM's) gebruiken om snel veiligheid en werkzaamheid data uit onderzoekssamenvattingen te halen.
Algoritmische voorspelling van studiesucces, als leidraad voor aanpassingen in het ontwerp of om te focussen op meer veelbelovende moleculen.
Geschiktheidscriteria voor patiënten genereren met modellen zoals TrialGPT of AutoTrial.

Deze ontwikkelingen verkorten de tijd die nodig is om een proef te ontwerpen aanzienlijk, soms van enkele maanden tot slechts enkele weken. Bijvoorbeeld:

AI kan de tijdlijnen voor het ontwerpen van klinische protocollen met gemiddeld 30% verkorten.
Een genetisch algoritme dat werd gebruikt voor pediatrische onderzoeken naar bio-equivalentie, bracht het aantal afnamepunten voor bloedmonsters terug van 15 naar 7, met behoud van farmacokinetische nauwkeurigheid.
AI kan de tijd die nodig is om eerdere samenvattingen van klinische onderzoeken te analyseren terugbrengen van enkele maanden tot enkele weken.

2. Rekrutering en inclusie van patiënten

Patiënten werven blijft een van de grootste uitdagingen bij klinische proeven. AI biedt innovatieve oplossingen om:

Voorspellen hoe groot de kans is dat patiënten uit het onderzoek stappen.
De selectie van locaties voor klinische studies optimaliseren.
De toestemmingsformulieren voor patiënten verbeteren.

De impact van AI op werving is aanzienlijk:

De tijd die besteed wordt aan het analyseren van elektronische medische dossiers om in aanmerking komende patiënten te identificeren, wordt teruggebracht van 30 uur tot 4 uur per patiënt.
Een pediatrisch oncologisch onderzoek toonde een 90% vermindering van de werklast bij werving.
Een AI-tool verkortte de tijd voor het selecteren van 90 patiënten tot slechts een vijfde van de tijd die handmatig nodig was.
Een onderzoek naar longkanker toonde aan dat een AI-systeem 102 patiënten in slechts 15,5 seconden beoordeelde met 91,6% nauwkeurigheid voor geschiktheid.

3. Uitvoering en beheer van klinische proeven

AI transformeert de uitvoering en analyse van klinische proeven door verschillende ontwikkelingen:

Op risico gebaseerd kwaliteitsbeheer (RBQM): AI verbetert de realtime opsporing van anomalieën, waardoor sneller kan worden ingegrepen en de data integriteit wordt verbeterd.
Gedecentraliseerde klinische proeven (DCT): Betrokkenheid van deelnemers verbeteren.
Ontdek inzichten via geautomatiseerde data analyse.

Deze innovaties verhogen de efficiëntie, verlagen de kosten en stroomlijnen het hele proces van klinische studies, waardoor de ontwikkeling van medicijnen wordt versneld en de resultaten worden verbeterd.

Een verlaging van de kosten voor klinisch onderzoek tot 25%
Versnelde ontwikkeling van geneesmiddelen met 1-2 jaar.
Verkorte tijd voor het schrijven van rapporten, van 100 naar 48 dagen in sommige gevallen.

Deze innovaties veranderen het landschap van klinische onderzoeken en maken ze sneller, efficiënter en kosteneffectief.

Een groeiend innovatie ecosysteem.

De whitepaper belicht de cruciale rol die verschillende belanghebbenden spelen bij het bevorderen van AI-oplossingen voor klinische proeven, met speciale aandacht voor innovatieve startups en toonaangevende techgiganten.

De toonaangevende techgiganten die innovatie stimuleren.

Techgiganten zoals Google, Microsoft, IBM en Apple spelen een steeds belangrijkere rol in het bevorderen van AI-gestuurde klinische proeven:

Microsoft werkt samen met Novartis aan zijn AI for Health-initiatief om optimale proefontwerpen te identificeren en uitkomsten te voorspellen. Dit samenwerkingsverband richt zich op het gebruik van generatieve AI om het ontwerp van klinische onderzoeken te verbeteren en realtime resultaatvoorspellingen te verbeteren.
IBM Watson Gezondheid analyseert medische literatuur en data onderzoeken om het protocolontwerp en de werving van patiënten te verbeteren. Hun generatieve AI-modellen richten zich op grote datasets om patronen in klinische data te identificeren en zo onderzoeksprotocollen en wervingsstrategieën te verbeteren.
Verily (een dochteronderneming van Alphabet) richt zich met zijn Baseline-platform op patiëntenwerving en trialbeheer. Dit platform gebruikt AI om data gezondheidsgegevens van vrijwilligers te verzamelen en te analyseren, waardoor intelligentere en meer gepersonaliseerde klinische studies kunnen worden ontworpen.
Appel heeft goedkeuring gekregen van de FDA om het Apple Watch hulpmiddel voor het monitoren van atriumfibrillatie te gebruiken in klinische onderzoeken. Dit is het eerste digitale hulpmiddel dat gekwalificeerd is onder het MDDT-programma (Medical Device Development Tools), wat wijst op het potentieel om de kosten te verlagen en de betrokkenheid van patiënten bij klinisch onderzoek te verbeteren.

“We gaan van een reactief ecosysteem voor de gezondheidszorg naar een proactief, bijna voorspellend ecosysteem.”

benadrukt Shweta Maniar, Global Director of Health and Life Sciences bij Google Cloud

Deze verschuiving weerspiegelt de transformerende invloed van AI op het hele proces van klinische proeven.

Startups die innovatie in klinisch onderzoek stimuleren.

Er zijn veel startups in opkomst op het gebied van klinisch onderzoek, die innovatieve oplossingen bieden voor proefontwerp, patiëntenwerving en data beheer. De whitepaper schetst een overzicht van deze innovatieve spelers, georganiseerd volgens de drie belangrijkste fasen van klinische onderzoeken:

1. Opzet van klinisch onderzoek:

Florence Gezondheidszorg, Protocols.io, Protrials.ai: Protocollen automatiseren.
Perceiv AI, Seq'one: Onderzoeksdoelen optimaliseren.
Owkin, Insilico Geneeskunde: Voorspellen van testresultaten.
Unlearn.ai: Het creëren van “digitale tweelingen” van patiënten om onderzoeksresultaten te voorspellen, waardoor het aantal controlepatiënten dat nodig is van 20% naar 50% wordt teruggebracht.

2. Rekrutering en inclusie van patiënten:

Klineo, OnderwerpWell: Klinische studie inschrijving.
Deep 6 AI, TrialSpark: Werving van patiënten. Deze startups gebruiken AI om elektronische medische dossiers te analyseren en snel patiënten te identificeren die in aanmerking komen voor klinische onderzoeken.

“Minder dan 5% van de patiënten profiteert van klinische oncologische trials, terwijl 70% zegt dat ze bereid zouden zijn om deel te nemen als ze de kans kregen. Er is duidelijk behoefte aan een betere matching tussen patiënten en trials, en recente AI-ontwikkelingen maken dit mogelijk.”

benadrukt Thomas Peyresblanques, medeoprichter en CEO van Klineo, als een kritieke kwestie

3. Uitvoering en beheer van proeven:

Lynxcare: data beheer
AiCure, Castor: gedecentraliseerde trials en patiëntmonitoring. AiCure gebruikt AI om de therapietrouw van patiënten bij te houden en geeft real-time feedback aan onderzoekslocaties.

“Met slechts 4% van de onderzoeken die een representatieve populatie omvatten, helpt Inato sponsors om twee keer zo snel patiënten te werven, waardoor de diversiteit toeneemt tot 67% niet-blanke deelnemers, vergeleken met een eerder gemiddelde van 15%.”

legt Kourosh Davarpanah, medeoprichter en CEO van Inato, uit en benadrukt de impact van hun oplossing

Dit weerspiegelt het potentieel van AI om de werving en inclusie in klinische proeven te verbeteren.

Uitdagingen

Ondanks de veelbelovende vooruitgang blijven er uitdagingen bestaan met betrekking tot de toepassing van AI in klinische proeven:

Regeling en Data Bescherming: Gezondheidsautoriteiten moeten hun regelgevingskaders aanpassen om nieuwe AI-technologieën te integreren en tegelijkertijd de veiligheid van patiënten te garanderen. Charlotte Pouchy, CEO van DEEMEA, wijst erop: “De Europese regelgeving is streng, maar kan als voordeel dienen door als toegangsbarrière te fungeren voor bedrijven die zich niet aan de regels houden.” Europa positioneert zichzelf als een belangrijke regelgever en benadrukt de veiligheid van burgers bij het gebruik van AI.
Toegang tot Data en interoperabiliteit: Brice Miranda, Group Chief Data Officer bij Servier, benadrukt: “Het wereldwijd delen van data is cruciaal voor het bevorderen van onderzoek, maar het wordt vaak belemmerd door juridische, vertrouwelijkheids- en concurrentiebarrières, evenals het gebrek aan naleving van gemeenschappelijke data standaarden en formaten.” Deze uitdaging is vooral belangrijk voor zeldzame ziekten, waar beperkte data samenwerking nog essentiëler maakt.
Vertekening en generalisatie:AI-modellen moeten getraind worden op representatieve datasets om vertekeningen te voorkomen en ervoor te zorgen dat de resultaten generaliseerbaar zijn naar diverse populaties. Dit vormt een grote ethische uitdaging, aangezien vertekeningen in de training van data kunnen leiden tot scheve en niet-reproduceerbare resultaten. Het aanpakken van deze uitdaging is van cruciaal belang om ervoor te zorgen dat AI-gestuurde klinische onderzoeken nauwkeurige en eerlijke resultaten opleveren voor alle patiëntengroepen.
Transparantie en uitlegbaarheid: De “black-box” aard van veel AI-modellen roept ethische en vertrouwenskwesties op, met name in klinische onderzoeken waar de nauwkeurigheid van voorspellingen cruciaal is. Het is essentieel om uit te leggen hoe AI-modellen beslissingen nemen om het vertrouwen van belanghebbenden te winnen. Zonder transparantie kan het gebruik van AI in klinische proeven beperkt zijn, omdat regelgevende instanties en patiënten de beweegredenen achter beslissingen moeten begrijpen om betrouwbaarheid en vertrouwen in de technologie te garanderen.
Cyberbeveiliging en data privacy: De bescherming van Data blijft een belangrijk punt van zorg bij het gebruik van AI voor klinische proeven. Robuuste cyberbeveiligingsmaatregelen en multifactorauthenticatie zijn nodig om de veiligheid van patiënt data te waarborgen.

Concluderend kan gesteld worden dat AI ongekende mogelijkheden biedt om een revolutie teweeg te brengen in klinische proeven, maar voor een wijdverspreide toepassing moeten deze complexe uitdagingen aangepakt worden. Samenwerking tussen startups, techgiganten, farmaceutische bedrijven en regelgevende instanties zal essentieel zijn om het potentieel van AI volledig te benutten en tegelijkertijd de veiligheid en ethiek van klinische proeven te waarborgen.

(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. Computationeel ontwerp van klinische proeven met behulp van een combinatie van simulatie en het genetisch algoritme. CPT Pharmacometrics Syst Pharmacol. 2023 Apr;12(4):522-531. doi: 10.1002/psp4.12944. Epub 2023 Mar 5. PMID: 36793239; PMCID: PMC10088085.

(4) : Ismail A, Al-Zoubi T, El Naqa I, Saeed H. The role of artificial intelligence in hastening time to recruitment in clinical trials. BJR Open. 2023 May 16;5(1):20220023. doi: 10.1259/bjro.20220023. PMID: 37953865; PMCID: PMC10636341.