Роль ИИ в клинических исследованиях и разработке лекарств

Искусственный интеллект (AI) преобразует клинические исследования, улучшая набор пациентов и оптимизируя разработку лекарств. В этой статье мы рассмотрим его преобразующее влияние на клинические испытания с помощью передового анализа данных и прогностического моделирования.

Влияние AI на здравоохранение включает улучшение диагностики, персонализированное лечение и повышение операционной эффективности. Менее известно о растущей значимости машинного обучения в клинических испытаниях, где оно способствует развитию анализа данных, прогностического моделирования и оптимизации набора пациентов.

AI ускоряет открытие лекарств, повышает точность испытаний и снижает затраты, одновременно ускоряя внедрение лечения. Например, алгоритмы AI эффективно анализируют большие объёмы данных, чтобы выявлять потенциальных кандидатов в лекарства, точно прогнозировать результаты лечения и оптимизировать дизайн клинических испытаний для их более быстрого и успешного проведения. Модели компьютерного зрения на базе AI, такие как Ultralytics YOLOv8, преобразуют сферу здравоохранения, помогая работать с различными наборами данных и получать высококачественные аннотированные данные для обнаружения объектов, сегментации экземпляров, оценки позы и классификации.

Кроме того, платформы на базе AI, такие как AlphaFold от DeepMind, продемонстрировали способность предсказывать трёхмерную структуру молекул, произведя революцию в процессах разработки и открытия лекарств.

Рис. 1. Двойная спираль ДНК — молекулярная структура, несущая генетическую информацию в живых организмах.

Кроме того, лаборатория Джименга Суня при Иллинойсском университете в Урбане-Шампейне представила HINT (иерархическая сеть взаимодействий) для прогнозирования успеха испытаний на основе молекул лекарств, целевых заболеваний и соответствия пациентов критериям участия. Их система SPOT (последовательное прогностическое моделирование исходов клинических испытаний) отдаёт приоритет последним данным, влияя на дизайн фармацевтических испытаний и выбор потенциальных альтернативных лекарств.

И всё же лишь несколько состоявшихся компаний внедряют AI в свои программы клинической разработки.

Использование AI в клинических испытаниях#

AI применяется в различных областях клинических исследований для повышения эффективности, точности и качества результатов. Рассмотрим подробнее ключевые направления, в которых AI оказывает значительное влияние на клинические испытания:

• Анализ данных и распознавание закономерностей. AI может анализировать большие объёмы данных из клинических испытаний, электронных медицинских карт и других источников, выявляя закономерности и взаимосвязи, недоступные человеку. Это позволяет точнее определять эффекты лечения и реакции пациентов.

• Набор и удержание пациентов. Алгоритмы AI могут оптимизировать отбор участников для клинических испытаний, быстро и точно выявляя подходящих пациентов в больших массивах данных. Это ускоряет набор и повышает показатели удержания за счёт более точного соответствия участников критериям испытаний.

• Прогностическая аналитика результатов лечения. Анализируя исторические и текущие данные о пациентах, прогностические алгоритмы точно предсказывают результаты лечения. Это помогает разрабатывать эффективные испытания и адаптировать лечение, потенциально улучшая результаты и сводя к минимуму побочные эффекты для отдельных пациентов.

• Автоматизированный сбор и управление данными. AI может автоматизировать сбор, организацию и анализ данных, сводя к минимуму человеческие ошибки и предоставляя информацию в режиме реального времени. Это упрощает процессы, ускоряет исследования и способствует разработке новых методов лечения.

AI в клинических исследованиях: как преодолеть вызовы#

По мере того как AI продолжает менять клинические исследования, важно наряду с преимуществами учитывать и потенциальные риски. Хотя AI предлагает привлекательные преимущества, такие как повышение эффективности и точности, оптимизация набора пациентов и снижение затрат, его внедрение сопряжено с определёнными трудностями. Вот несколько ключевых аспектов:

• Потенциальная предвзятость алгоритмов AI. Системы AI обучаются на исторических данных, которые могут содержать неявную предвзятость, например предвзятость отбора, выборки или измерений. Например, модели могут плохо работать с пациентками из-за преимущественно мужских обучающих данных (предвзятость отбора), плохо обобщаться на сельских пациентов при обучении на городских данных (предвзятость выборки) или воспроизводить неточности из-за систематических ошибок при сборе данных (предвзятость измерений). Если не контролировать эти факторы, они могут привести к искажённым результатам, влияющим на лечение пациентов и выводы исследований.

• Проблемы конфиденциальности и безопасности данных. Учитывая огромные объёмы конфиденциальных данных о пациентах, используемых в клинических исследованиях, обеспечение конфиденциальности и безопасности данных имеет первостепенное значение. Системы AI уязвимы для кибератак и утечек, что вызывает обеспокоенность по поводу конфиденциальности и целостности информации о пациентах.

• Регуляторные и этические проблемы. Быстрое развитие технологий AI часто опережает нормативно-правовые системы и этические рекомендации. Возникают вопросы о надлежащем использовании AI в клинических исследованиях, включая информированное согласие, прозрачность и подотчётность.

• Зависимость от высококачественных данных. Хотя AI эффективно работает с данными, его результативность зависит от качества, разнообразия и объёма наборов данных. Неполные, предвзятые или недостаточные данные могут поставить под угрозу надёжность и достоверность выводов, полученных с помощью AI, препятствуя развитию клинических исследований.

Решая эти проблемы, заинтересованные стороны могут проложить путь к ответственному внедрению искусственного интеллекта в клинические исследования для дальнейшего улучшения результатов в здравоохранении.

Нормативные требования FDA: роль AI в клинических исследованиях#

Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) отмечает заметный рост числа заявок на препараты и биологические продукты, содержащих компоненты AI и машинного обучения, за последние годы: в 2021 году было зарегистрировано более 100 таких заявок. Они охватывают различные этапы разработки лекарств, включая поиск лекарств, клинические исследования, пострегистрационный мониторинг безопасности и передовое фармацевтическое производство.

В поддержку инноваций в разработке лекарств FDA одобрило несколько инструментов и технологий AI для использования в клинических исследованиях. Они варьируются от прогностической аналитики, ориентированной на набор пациентов, до анализа изображений для диагностических целей.

Предоставляя рекомендации FDA по проведению клинических испытаний, ведомство признаёт, что AI и машинное обучение создают как возможности, так и проблемы в разработке лекарств. Для решения обеих задач FDA повышает гибкость регулирования, чтобы поддерживать инновации и одновременно уделять приоритетное внимание защите здоровья населения.

AI и машинное обучение, несомненно, будут играть критически важную роль в разработке лекарств, а FDA планирует разработать и внедрить гибкую нормативную базу, основанную на оценке рисков, которая будет способствовать инновациям и защищать безопасность пациентов.

Инновации AI в здравоохранении: ключевые игроки#

Компании по всему миру всё активнее используют AI для ускорения открытия лекарств и планирования персонализированного лечения. Вот несколько крупных представителей отрасли, использующих потенциал AI:

• Pfizer: Используя AI для открытия и разработки лекарств, Pfizer ускоряет выявление и разработку новых методов лечения, оптимизируя путь от исследований до выхода на рынок.

• Medidata Solutions: Эта компания, разрабатывающая облачные программные решения, использует AI для оптимизации клинических испытаний, упрощая анализ данных, повышая вовлечённость пациентов и прогнозируя результаты в режиме реального времени. В итоге исследования ускоряются, а показатели успешности испытаний повышаются.

Рис. 3. AI играет ключевую роль в оптимизации выбора исследовательских центров в клинических испытаниях для соблюдения сроков набора участников.

• BenevolentAI: Используя AI для выдвижения и проверки гипотез, BenevolentAI преобразует большие массивы данных в практические выводы, стимулируя инновации и открытия в биомедицинских исследованиях.

• Tempus: В сотрудничестве с GlaxoSmithKline компания Tempus персонализирует лечение, оптимизирует его эффективность и сводит к минимуму побочные эффекты с помощью платформ на базе AI. Вместе они стремятся ускорить успех в R&D и быстрее предоставлять пациентам адаптированные методы лечения.

• Exscientia: Осваивая применение AI для разработки и оптимизации лекарств, Exscientia ускоряет сроки разработки лекарств и повышает точность терапевтических вмешательств, что приводит к более эффективному лечению.

Ключевые направления и будущие перспективы AI в клинических исследованиях#

Кардиология, онкология, неврология и редкие заболевания стали ключевыми областями внедрения AI в клинические исследования по нескольким причинам. Во-первых, эти области часто связаны со сложными наборами данных, что делает их особенно подходящими для анализа и прогнозирования с помощью AI.

Во-вторых, высокая цена ошибок при таких состояниях, как болезни сердца, рак, неврологические расстройства и редкие заболевания, требует точных и персонализированных подходов к диагностике и лечению, которые AI умеет обеспечивать.

Кроме того, развитие технологий AI позволило исследователям создавать инновационные решения, адаптированные к уникальным задачам каждой из этих медицинских специальностей. В результате AI всё активнее интегрируется в клинические исследования в этих областях, открывая путь к улучшению результатов лечения пациентов и более эффективному оказанию медицинской помощи.

Однако сфера применения AI выходит далеко за пределы этих областей. По мере развития технологий и роста доступности данных AI получает огромный потенциал для революционных изменений в других медицинских направлениях.

От дерматологии до радиологии и психиатрии AI помогает улучшать диагностику, планирование лечения и уход за пациентами в самых разных специальностях. По мере того как исследователи продолжают изучать возможности AI, его роль в клинических исследованиях, вероятно, будет расширяться на ранее не исследованные территории, открывая новую эру прецизионной медицины и улучшая результаты в здравоохранении.

AI и клинические исследования: основные выводы#

Преобразующее влияние AI на здравоохранение охватывает диагностику, персонализированное лечение и повышение операционной эффективности. В клинических испытаниях машинное обучение играет ключевую роль, способствуя развитию анализа данных, прогностического моделирования и оптимизации набора пациентов. Это ускоряет открытие лекарств, повышает точность испытаний и эффективно снижает затраты.

Например, алгоритмы AI эффективно анализируют большие объёмы данных, чтобы выявлять кандидатов в лекарства и прогнозировать результаты лечения. Кроме того, платформы AI, такие как AlphaFold от DeepMind, предсказывают молекулярные структуры, производя революцию в разработке лекарств.

Однако потенциал AI выходит за рамки этих областей, обещая развитие самых разных медицинских специальностей. Несмотря на такие проблемы, как предвзятость и обеспокоенность конфиденциальностью данных, интеграция AI в клинические исследования открывает преобразующие возможности, приближая новую эру прецизионной медицины и улучшая результаты в здравоохранении.

Интересуешься AI? Присоединяйся к нашему сообществу, чтобы быть в курсе последних новостей об искусственном интеллекте. Посети наш репозиторий GitHub и погрузись в приложения компьютерного зрения в таких областях, как сельское хозяйство и промышленное производство!