Een synthese van de white paper van Artefact , geschreven in samenwerking met AI for Health.
ArtefactHet team van experts deelt hun praktijkervaring en nauwkeurige observaties in dit goed gedocumenteerde rapport, rijk aan geleerde lessen en concrete use cases.
Ontdek verhelderende inzichten van onderzoekers uit de gezondheidszorg, startups, farmaceutische bedrijven en investeerders, waaronder Servier, Pfizer, Johnson & Johnson, Google, Elaia, Inato, Klineo, Deemea en Naaia.
Deel 1. AI in klinische proeven: Een voortdurende revolutie
De farmaceutische industrie ondergaat een transformatie onder invloed van AI, dat het potentieel heeft om farmaceutische bedrijven miljoenen te besparen door efficiëntere, data-gestuurde klinische studies mogelijk te maken. Terwijl traditionele ontwikkeling te maken heeft met escalerende kosten (Wet van Eroom), versnelt AI het proces, waardoor de gemiddelde tijd van het onderzoek aanzienlijk wordt verkort. Generatieve AI optimaliseert verder het proefontwerp, de patiëntenrekrutering en de data analyse.
De belangrijkste innovaties zijn:
"We hebben een significante afname waargenomen in de gemiddelde tijd van de start tot de voltooiing van klinische proeven, van 8,6 jaar in 2019 tot 4,8 jaar in 2022."Luca Mollo, vicepresident, medisch directeur Frankrijk bij Pfizer
Deel 2. Impact in de echte wereld: Transformatieve gebruikssituaties in de waardeketen van klinische proeven
De echte kortetermijnbelofte van AI ligt in het revolutioneren van processen om snellere, efficiëntere, data-gedreven studies mogelijk te maken die de ontwikkeling van nieuwe therapieën aanzienlijk kunnen versnellen.
Om de use cases in kaart te brengen, structureerde Artefact de waardeketen van klinische proeven in drie belangrijke fasen om een duidelijk en gericht kader te bieden.
Use Case #1: Klinisch onderzoeksontwerp
AI stroomlijnt het proefontwerp door uitkomsten te voorspellen en de toelatingscriteria voor patiënten te optimaliseren. Tools zoals AI-powered clinical trial optimization, algorithm-based trial success prediction, en TrialGPT verbeteren de besluitvorming door historische data te analyseren.
Impact: Data-gestuurd proefontwerp, snellere proefprotocollen, verbeterde patiënttevredenheid.
"We geloven sterk in de transformatie van onderzoek en klinische ontwikkeling via AI. We hebben 18 O&O-thema's geprioriteerd met meerdere veelbelovende AI use cases, variërend van target identificatie tot trial design. Deze overtuiging zal ons in staat stellen om de 2 grootste uitdagingen van het geneesmiddeleninnovatieproces aan te pakken: de kans op succes en de tijd die nodig is om het product op de markt te brengen."Brice Miranda, Group Chief Data bij Servier.
Use Case #2: Patiënten werven en inschrijven
AI pakt inefficiënties bij werving aan, met platforms zoals inato die de toegang tot onderzoeken vergroten en diversiteit en betrokkenheid van patiënten verbeteren. Voorspellende algoritmen identificeren ideale locaties voor ondervertegenwoordigde demografische groepen.
Impact: Wervingstijd gehalveerd; diversiteit toegenomen tot 67% niet-blanke deelnemers (van 15%).
"70% van de proeven is geconcentreerd in slechts 5% van de grote ziekenhuizen, terwijl 90% van de potentiële locaties onderbenut blijft."Kourosh Davarpanah, medeoprichter & CEO bij inato
Use Case #3: Uitvoering en beheer
AI-gedreven analyses automatiseren data verwerking, onthullen verborgen patronen en genereren initiële samenvattingen die het schrijfproces van conclusies stroomlijnen. Geavanceerde tools beheren data van gedecentraliseerde onderzoeken en integreren inzichten om conclusies te versnellen. Natural Language Processing (NLP) automatiseert rapportage, waardoor tijdlijnen met meer dan 50% worden verkort.
Impact: Snellere wettelijke goedkeuringen, lagere kosten, betere besluitvorming.
"Het verkort de tijd voor het opstellen van rapporten drastisch van 100 dagen naar slechts 48 dagen door snelle verwerking van data, het automatiseren van taken en het genereren van een voorontwerp voor indiening bij regelgevende instanties."Luca Mollo, vicepresident, medisch directeur Frankrijk bij Pfizer
Deel 3. Innovatie voeden: Het groeiende ecosysteem van AI-gedreven proeven
De rol van Big Tech in het bevorderen van AI-gestuurde klinische proeven
Startups en techgiganten zoals Google en IBM nemen het voortouw in het revolutioneren van klinische onderzoeken door middel van AI-gestuurde tools. Opmerkelijke projecten zijn onder andere:
"We gaan van een reactief ecosysteem voor de gezondheidszorg naar een proactief, bijna voorspellend ecosysteem."Shweta Maniar, Global Director, Gezondheidszorg & Life Sciences bij Google
Hoe startups innovatie in klinisch onderzoek stimuleren
Nieuwe spelers geven het landschap een nieuwe vorm met baanbrekende technologieën en frisse benaderingen, en pakken al lang bestaande uitdagingen aan op gebieden zoals het ontwerp van trials, patiëntenrekrutering, data management en efficiëntie van trials. Opvallende nieuwkomers zijn onder andere:
"Openbare databases zoals ClinicalTrials.gov (in de VS) en CTIS (in Europa) bevatten enorme hoeveelheden data , maar zijn vaak ongestructureerd en verouderd, wat leidt tot vertragingen bij het vinden van relevante trials en dus de werving van patiënten vertraagt."Thomas Peyresblanques Medeoprichter & CEO bij Klineo
Deel 4. Uitdagingen voor de toekomst: Barrières en beperkingen overwinnen
Regelgevende beperkingen: Patiëntenbescherming garanderen en tegelijkertijd innovatie versnellen
AIin klinische proeven wordt belemmerd door ingewikkelde regelgeving, problemen met de interoperabiliteit op data en ethische bezwaren met betrekking tot vooringenomenheid en transparantie. Kaders zoals de AI Act van de EU zijn er echter op gericht om veilige toepassingen van hoge kwaliteit te garanderen.
"De Europese regelgeving is streng, maar vormt een voordeel als toetredingsdrempel voor bedrijven die zich niet aan de regels houden."Charlotte Pouchy, CEO bij Deemea
Data toegang, interoperabiliteit en synthetische data: de belangrijkste uitdagingen overwinnen
In Europa is data van de gezondheidszorg gefragmenteerd en inconsistent tussen landen, wat een op AI gebaseerde analyse bemoeilijkt. Het gebrek aan standaardisatie tussen nationale IT-systemen voor de gezondheidszorg maakt dit probleem nog ingewikkelder. Synthetische data services een veelbelovende oplossing om deze uitdagingen aan te pakken met behoud van de privacy van patiënten.
Andere uitdagingen bij de toepassing van AI in klinische onderzoeken zijn vertekening door niet-representatieve datasets, een gebrek aan transparantie in "black box" algoritmen en verhoogde risico's op cyberbeveiliging. Om deze problemen aan te pakken moet ervoor worden gezorgd dat modellen generaliseren over diverse populaties, moet de verklaarbaarheid worden verbeterd en moet een evenwicht worden gevonden tussen robuuste data bescherming en de behoefte aan voldoende data toegang onder strikte regelgevende kaders zoals de AI Act van de EU en GDPR.
"De uitdaging om beslissingen van AI algoritmen te begrijpen en uit te leggen, samen met mogelijke vertekening, vormt een belangrijke hindernis voor het gebruik ervan in klinische onderzoeken."Nathalie Beslay, advocaat en medeoprichter & CEO van Naaia
Ondanks deze obstakels zet AI een nieuwe standaard voor klinisch onderzoek: het verbetert niet alleen proeven, het herdefinieert ze en maakt de weg vrij voor een snellere, veiligere en meer patiëntgerichte ontwikkeling van geneesmiddelen die het potentieel heeft om de resultaten voor patiënten aanzienlijk te verbeteren en de gezondheidszorg vooruit te helpen.
Bekijk de conferentie met Luca Mollo, Vice President, Medical Director France, M.D. bij Pfizer en onze Artefact experts, Thomas Filaire, Partner, en Léa Giroulet, Senior Data Consultant, over de belangrijkste inzichten uit dit rapport:
