Maak gebruik van de kracht van AI in klinische proeven: 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. Het toonde concrete use cases, het in kaart brengen van het ecosysteem en uitdagingen voor het schalen van AI innovaties.

Artefact een groeiende vraag naar AI in R&D geïdentificeerd, gedreven door het potentieel om de duur van klinische studies 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 white paper worden onderzocht, worden al geïmplementeerd of geïntegreerd in de middellangetermijnstrategieën van belanghebbenden.

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

De whitepaper verdeelt de waardeketen van een klinische studie 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 worden gestroomlijnd. 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 wordt gewaarborgd. 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 en brengt patronen en correlaties aan het licht 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 regelgevende reports op te stellen, vergeleken met 100 dagen op de traditionele manier. Deze versnelde tijdlijn zorgde voor een snellere marktintroductie en verbeterde toegang voor patiënten.

De grootste uitdaging ligt in het opzetten van robuuste data fundamenten, inclusief governance en compliance frameworks. Hoewel deze fundamenten in eerste instantie als kostbaar en traag worden ervaren, zijn ze cruciaal voor schaalbaarheid op lange termijn en het effectief leveren van AI-gedreven use cases.

AI zorgt voor een revolutie in klinisch onderzoek door de tijdlijnen te verkorten, de efficiëntie te verbeteren en de patiëntresultaten te verbeteren. Het succes hangt echter af van het aanpakken van de uitdagingen op het gebied van data governance en het bevorderen van samenwerking binnen het ecosysteem van de gezondheidszorg.