De kracht van AI in klinische proeven ontketenen: Belangrijke inzichten van PFIZER en ARTEFACT - AI for Health Summit

De discussie draaide om de transformerende rol van AI in klinische proeven, ondersteund door inzichten van Pfizer en Artefact, en belicht in hun gezamenlijke whitepaper. Er kwamen concrete use cases aan bod, het ecosysteem werd in kaart gebracht en er werd ingegaan op de uitdagingen bij het schalen van AI-innovaties.

Artefact heeft een groeiende vraag naar AI in R&D geïdentificeerd, gedreven door het potentieel ervan om de duur van klinische tests tot 50% te verkorten, de levering van innovatieve therapieën te versnellen en het concurrentievermogen van farmaceutische bedrijven te garanderen. De use cases die in de whitepaper worden onderzocht, worden al geïmplementeerd of geïntegreerd in de middellangetermijnstrategieën van belanghebbenden.

Pfizer gebruikt AI om datasets te analyseren, drug targets te identificeren, de werkzaamheid te voorspellen en de ontwikkeling te optimaliseren. Tijdens de COVID-19 pandemie stelde AI Pfizer bijvoorbeeld in staat om het screenen van moleculen terug te brengen van 3 miljoen naar 600, waardoor de ontwikkeling van een oraal antiviraal geneesmiddel versneld werd van vier jaar naar vier maanden. Daarnaast heeft AI nieuwe methodologieën mogelijk gemaakt, zoals gedecentraliseerde klinische onderzoeken en monitoring op afstand, waardoor de gemiddelde tijd die nodig is voor de ontwikkeling van een geneesmiddel kon worden teruggebracht van 8,6 jaar in 2019 tot 4,8 jaar in 2022.

De white paper verdeelt de waardeketen van klinische studies in drie fasen: ontwerp, rekrutering van patiënten en uitvoering. Voor het proefontwerp halen grote taalmodellen (LLM's) veiligheid en werkzaamheid data uit eerdere proeven, waardoor studieprotocollen gestroomlijnd worden. De werving van patiënten profiteert van AI-modellen die demografische gegevens en medische voorgeschiedenis analyseren om uitvalpercentages te voorspellen, waardoor de continuïteit van het onderzoek gewaarborgd wordt. Uitvoering en beheer worden verbeterd door AI-gestuurde data verwerking, waardoor er minder tijd nodig is voor het genereren van rapporten en het indienen bij regelgevende instanties.

AI automatiseert arbeidsintensieve taken zoals het opschonen, verwerken en analyseren van klinische data, waardoor patronen en correlaties aan het licht komen die traditionele methoden mogelijk over het hoofd zien. Tijdens de ontwikkeling van het COVID-19 vaccin stelde AI Pfizer in staat om in 48 dagen reglementaire reports op te stellen, vergeleken met 100 dagen op de traditionele manier. Deze versnelde tijdlijn zorgde voor een snellere markttoegang en verbeterde toegang voor patiënten.

De grootste uitdaging ligt in het opzetten van robuuste data foundations, inclusief raamwerken voor governance en compliance. Hoewel dit in eerste instantie als duur en traag wordt ervaren, zijn deze fundamenten cruciaal voor schaalbaarheid op de lange termijn en het effectief leveren van AI-gedreven use cases.

AI brengt een revolutie teweeg in klinische proeven door tijdlijnen te verkorten, de efficiëntie te verbeteren en de resultaten voor patiënten te verbeteren. Het succes hangt echter af van het aanpakken van de data governance uitdagingen en het bevorderen van samenwerking in het hele ecosysteem van de gezondheidszorg.