De kracht van AI benutten AI klinische onderzoeken: belangrijke inzichten van PFIZER en ARTEFACT AI Health Summit

De discussie draaide om de transformatieve rol van AI klinische onderzoeken, onderbouwd door inzichten van Pfizer en Artefact, die ook in hun gezamenlijke whitepaper aan bod kwamen. Daarin werden concrete praktijkvoorbeelden, een overzicht van het ecosysteem en uitdagingen bij het opschalen AI belicht.

Artefact een groeiende vraag naar AI onderzoek en ontwikkeling, ingegeven door het potentieel ervan om de duur van klinische proeven met wel 50% te verkorten, de introductie van innovatieve therapieën te versnellen en het concurrentievermogen van farmaceutische bedrijven te waarborgen. De in de whitepaper besproken toepassingen worden momenteel al geïmplementeerd of opgenomen in de middellangetermijnstrategieën van de betrokken partijen.

Pfizer maakt gebruik van AI datasets te analyseren, doelwitten voor geneesmiddelen te identificeren, de werkzaamheid te voorspellen en de ontwikkeling te optimaliseren. Zo AI Pfizer tijdens de COVID-19-pandemie AI het aantal te screenen moleculen terugbrengen van 3 miljoen naar 600, waardoor de ontwikkeling van een oraal antiviraal geneesmiddel werd versneld van vier jaar naar vier maanden. Bovendien AI nieuwe methoden AI , zoals gedecentraliseerde klinische proeven en monitoring op afstand, waardoor de gemiddelde doorlooptijd voor de ontwikkeling van geneesmiddelen kon worden teruggebracht van 8,6 jaar in 2019 tot 4,8 jaar in 2022.

In het whitepaper wordt de waardeketen van klinische proeven onderverdeeld in drie fasen: ontwerp, patiëntenwerving en uitvoering. Wat het ontwerp van proeven betreft, halen grote taalmodellen (LLM’s) data veiligheid en werkzaamheid data eerdere proeven, waardoor studieprotocollen worden gestroomlijnd. Bij de patiëntenwerving wordt gebruikgemaakt van AI demografische gegevens en medische voorgeschiedenis analyseren om uitvalpercentages te voorspellen, waardoor de continuïteit van de proef wordt gewaarborgd. De uitvoering en het beheer worden verbeterd door middel van AI data , waardoor de tijd die nodig is voor het opstellen van rapporten en het indienen daarvan bij regelgevende instanties wordt verkort.

AI arbeidsintensieve taken zoals het opschonen, verwerken en analyseren van klinische data, waardoor patronen en verbanden aan het licht komen die met traditionele methoden wellicht over het hoofd zouden worden gezien. Tijdens de ontwikkeling van het COVID-19-vaccin AI Pfizer AI reports voor de regelgevende instanties reports 48 dagen opstellen, tegenover de gebruikelijke 100 dagen. Door deze versnelde doorlooptijd kon het vaccin sneller op de markt worden gebracht en kregen patiënten er sneller toegang toe.

De grootste uitdaging ligt in het leggen van data solide data , inclusief kaders voor governance en naleving. Hoewel dit in eerste instantie als kostbaar en tijdrovend wordt beschouwd, is deze basis van cruciaal belang voor schaalbaarheid op de lange termijn en voor het effectief realiseren van AI toepassingen.

AI een revolutie in klinische onderzoeken door de doorlooptijden te verkorten, de efficiëntie te verbeteren en de behandelresultaten voor patiënten te verbeteren. Het succes hangt echter af van het aanpakken van uitdagingen data en het bevorderen van samenwerking binnen het hele gezondheidszorgecosysteem.