Uma síntese do white paper de Artefact escrito em parceria com AI for Health.
Artefactcompartilham sua experiência de campo e observações precisas por meio deste relatório bem documentado, rico em lições aprendidas e casos de uso concretos.
Descubra insights instigantes de pesquisadores da área de saúde, startups, empresas farmacêuticas e investidores, incluindo Servier, Pfizer, Johnson & Johnson, Google, Elaia, Inato, Klineo, Deemea e Naaia.
Parte 1. AI em pesquisas clínicas: Uma revolução contínua
O setor farmacêutico está passando por uma mudança transformadora impulsionada pelo AI, que tem o potencial de economizar milhões para as empresas farmacêuticas ao permitir testes clínicos mais eficientes e orientados pelo data. Embora o desenvolvimento tradicional enfrente custos crescentes (Lei de Eroom), o AI acelera o processo, reduzindo significativamente o tempo médio dos estudos. O Generative AI otimiza ainda mais o projeto do estudo, o recrutamento de pacientes e a análise data .
As principais inovações incluem:
"Observamos uma redução significativa no tempo médio desde o início até a conclusão dos estudos clínicos, diminuindo de 8,6 anos em 2019 para 4,8 anos em 2022."Luca Mollo, Vice-Presidente, Diretor Médico da França na Pfizer
Parte 2. Impacto no mundo real: Casos de uso transformadores em toda a cadeia de valor de ensaios clínicos
A verdadeira promessa de curto prazo da AI está em revolucionar os processos para permitir testes mais rápidos, mais eficientes e orientados pela data, que podem acelerar significativamente o desenvolvimento de novas terapias.
Para mapear os casos de uso, o site Artefact estruturou a cadeia de valor dos ensaios clínicos em três fases principais para fornecer uma estrutura clara e focada.
Caso de uso nº 1: projeto de ensaios clínicos
AI agiliza o projeto de estudos por meio da previsão de resultados e da otimização dos critérios de elegibilidade dos pacientes. Ferramentas como AI-powered clinical trial optimization, algorithm-based trial success prediction e TrialGPT melhoram a tomada de decisões por meio da análise do histórico data.
Impacto: projeto de estudos orientado por Data, protocolos de estudos mais rápidos, maior satisfação do paciente.
"Acreditamos firmemente na transformação da pesquisa e do desenvolvimento clínico por meio da AI, tendo priorizado 18 temas de P&D com vários casos de uso de alto potencial na AI , desde a identificação de alvos até o projeto de estudos. Essa convicção nos permitirá enfrentar os dois principais desafios do processo de inovação de medicamentos: probabilidade de sucesso e tempo de comercialização."Brice Miranda, Diretor do Grupo Data da Servier
Caso de uso nº 2: recrutamento e registro de pacientes
AI aborda as ineficiências no recrutamento, com plataformas como o inato expandindo o acesso aos estudos e aumentando a diversidade e o comprometimento dos pacientes. Algoritmos preditivos identificam locais ideais para dados demográficos sub-representados.
Impacto: O tempo de recrutamento caiu pela metade; a diversidade aumentou para 67% de participantes não brancos (de 15%).
"70% dos estudos estão concentrados em apenas 5% dos principais hospitais, enquanto 90% dos locais potenciais permanecem subutilizados."Kourosh Davarpanah, cofundador e CEO da inato
Caso de uso nº 3: execução e gerenciamento
AIA análise orientada automatiza o processamento data , revela padrões ocultos e gera resumos iniciais que agilizam o processo de redação da conclusão. Ferramentas avançadas gerenciam data de testes descentralizados, integrando insights para acelerar as conclusões. O Processamento de Linguagem Natural (NLP) automatiza os relatórios, reduzindo os prazos em mais de 50%.
Impacto: Aprovações regulatórias mais rápidas, custos mais baixos, melhor tomada de decisões.
"Ele reduz drasticamente o tempo de elaboração de relatórios de 100 dias para apenas 48, processando rapidamente o site data, automatizando tarefas e gerando um rascunho preliminar para envio às autoridades regulatórias."Luca Mollo, Vice-Presidente, Diretor Médico da França na Pfizer
Parte 3. Alimentando a inovação: O ecossistema em expansão de AI-Driven Trials
O papel da Big Tech no avanço dos ensaios clínicos com base no AI
Startups e gigantes da tecnologia, como o Google e a IBM, estão liderando a revolução dos testes clínicos por meio de ferramentas baseadas no AI. Projetos notáveis incluem:
"Estamos deixando de ser um ecossistema de saúde reativo para nos tornarmos um ecossistema proativo, quase preditivo."Shweta Maniar, Diretora Global de Saúde e Ciências da Vida do Google
Como as startups estão impulsionando a inovação na pesquisa clínica
Novos participantes estão remodelando o cenário com tecnologias de ponta e novas abordagens, abordando desafios de longa data em áreas como projeto de estudos, recrutamento de pacientes, gerenciamento de data e eficiência de estudos. Entre os participantes notáveis estão:
"Bancos de dados públicos, como o ClinicalTrials.gov (nos EUA) e o CTIS (na Europa), contêm grandes quantidades de data , mas muitas vezes não são estruturados e estão desatualizados, o que leva a atrasos na localização de estudos relevantes e, portanto, retarda o recrutamento de pacientes."Thomas Peyresblanques Cofundador e CEO da Klineo
Parte 4. Desafios futuros: Superação de barreiras e limitações
Restrições regulatórias: Garantir a proteção do paciente e, ao mesmo tempo, acelerar a inovação
AIA adoção da tecnologia de dados em ensaios clínicos é dificultada por complexidades regulatórias, problemas de interoperabilidade do data e preocupações éticas de parcialidade e transparência. No entanto, estruturas como a Lei AI da UE visam a garantir aplicativos seguros e de alta qualidade.
"A regulamentação europeia é rigorosa, mas representa uma vantagem como barreira de entrada para empresas que não estão em conformidade."Charlotte Pouchy, CEO da Deemea
Data acesso, interoperabilidade e sintético data: Superando os principais desafios
Na Europa, o site data da área da saúde é fragmentado e inconsistente entre os países, o que complica a análise orientada pelo AI. A falta de padronização entre os sistemas nacionais de TI do setor de saúde complica ainda mais essa questão. O data sintético oferece uma solução promissora para enfrentar esses desafios e, ao mesmo tempo, manter a privacidade do paciente.
Outros desafios para a adoção do AI em estudos clínicos incluem o viés de conjuntos de dados não representativos, a falta de transparência em algoritmos de "caixa preta" e o aumento dos riscos de segurança cibernética. Para resolver esses problemas, é necessário garantir que os modelos sejam generalizados em diversas populações, melhorando a explicabilidade e equilibrando a proteção robusta do data com a necessidade de acesso suficiente ao data sob estruturas regulatórias rigorosas, como a Lei AI e o GDPR da UE.
"O desafio de compreender e explicar as decisões tomadas pelos algoritmos do AI , juntamente com o possível viés, representa um obstáculo significativo para seu uso em estudos clínicos."Nathalie Beslay, advogada, cofundadora e CEO da Naaia
Apesar desses obstáculos, o site AI está definindo um novo padrão para a pesquisa clínica: ele não está apenas aprimorando os testes; está redefinindo-os, abrindo caminho para o desenvolvimento de medicamentos mais rápidos, seguros e focados no paciente, o que tem o potencial de melhorar significativamente os resultados dos pacientes e avançar na área da saúde.
Assista à conferência com Luca Mollo, vice-presidente, diretor médico da França, médico da Pfizer e nossos especialistas do Artefact , Thomas Filaire, sócio, e Léa Giroulet, consultora sênior do Data , sobre as principais percepções desse relatório:
