«Умные» клинические исследования
«Умные» клинические исследования
Опубликовано: 9 дней назадДобавить в избранное

«Умные» клинические исследования

Способен ли искусственный интеллект трансформировать классическую модель клинической разработки и снизить издержки?
0184

«Законы» Эрума и Мура

В среднем для вывода нового препарата на рынок требуется 10–15 лет и 1,5–2,0 млрд долларов США. Примерно половина этого времени и инвестиций уходит на клинические исследования (КИ) – лишь часть цикла разработки лекарства. Оставшиеся 50% расходов на НИОКР покрывают доклинические исследования и характеризацию молекулы, а также процессы нормативного регулирования (рис. 1). Несмотря на непрерывное увеличение инвестиций в НИОКР со стороны фармацевтических и биотехнологических компаний на протяжении последних десятилетий, количество получивших регистрационные удостоверения лекарств на каждый потраченный миллиард долларов сокращается примерно вдвое каждые 9 лет [ref]. Это наблюдение в медицине получило название «Закона Эрума» и является прямым противоречием «Закона Мура». Последний был сформулирован Гордоном Муром в 1965 и постулирует, что мощность вычислительной обработки данных будет возрастать, а их относительная стоимость будет падать экспоненциальными темпами.

Так называемый «Закон Эрума» представляет серьезную угрозу для классической модели клинической разработки, ведь в эпоху после выхода блокбастерных лекарств эффективность новых препаратов существенно не увеличивается. Иными словами, новые лекарства не становятся значительно лучше существующих терапевтических опций, в то время как затраты на их разработку растут. Одним из ключевых препятствий в клинической разработке является высокий процент неудач на финальных этапах. К примеру, менее трети всех молекул переходит с этапа фазы II – к фазе III [ref], и менее трети молекул завершивших фазу III в итоге получают регистрационное удостоверение [ref]. Поскольку эти неудачи приходятся на вторую половину цикла НИОКР, подобные потери в среднем обходятся спонсору от 0,8 до 1,4 млрд долларов США.

Рисунок 1. Воронка классического цикла клинической разработки лекарственных препаратов

Искусственный интеллект (ИИ) может помочь преодолеть недостатки текущей модели клинической разработки. Машинное обучение (machine learning, ML) и, в частности, глубокое обучение (deep learning, DL), способны автоматически находить смысловые паттерны в больших наборах данных, таких как текст, речь или изображения. Обработка естественного языка (natural language processing, NLP) может понимать и соотносить контент на письменном или устном языке, а интерфейс оператора (human–machine interfaces, HMI) обеспечивает естественный обмен информацией между компьютером и человеком.

Эти возможности могут использоваться для корреляции больших и разнообразных наборов данных, таких как электронные медицинские карты, медицинская литература и базы данных КИ. Все это позволит улучшить пациентопоток, операционную инфраструктуру, а также обеспечить автоматический и непрерывный мониторинг пациентов во время КИ. Для более надежной оценки эффективности конечных точек (предустановленных параметров проверки медицинских гипотез) исследования так же важна комплаентность пациента, то есть соблюдение пациентом режима лечения, для более надежной и эффективной оценку конечных точек.

Отбор пациентов

Каждое КИ предъявляет специфические критерии к включаемой популяции пациентов. Порой, наличие определенных медицинских состояний, таких как сахарный диабет, гепатит В и С, или ВИЧ, может препятствовать участию пациента в исследовании. Не менее важный аспект – стадия заболевания, по поводу которого пациент хочет быть включен в исследование, и полученная (или не полученная) по этому поводу предшествующая терапия. Однако, чаще всего, пациент может не узнать о существовании подходящего ему КИ или счесть процедуры этого исследования слишком сложными и обременительными. Особенно, если для этого требуется неоднократно посещать исследовательский центр в другом регионе.

Все эти нюансы в конечном счете приводят к длительному набору пациентов в КИ и высокой доле задержек. Известно, что в 86% случаев КИ не укладывается в заявленные сроки, а почти треть всех КИ 3-й фазы прекращается преждевременно ввиду недостаточного набора. Таким образом, общепринятая модель подбора, скрининга и включения пациентов в КИ является малоэффективной и влечет за собой существенные издержки. Предполагается, что эта проблема может быть решена с использованием ИИ и машинного обучения.

Состав когорт

Клинические исследования 1 – 3 фазы проводятся в строго определенной популяции пациентов и не предназначены для демонстрации эффективности лечения на случайной выборке из общей популяции. Необходимость гомогенности исследуемой выборки обусловлена статистическими расчетами, лежащими в основе дизайна КИ. Если пациент не соответствует предустановленным критериям включения, невключения и исключения, то его участие в КИ автоматически будет снижать наблюдаемую эффективность исследуемого препарата. Гетерогенность исследуемой выборки будет неизбежно приводить к увеличению ее размера, что далее влечет за собой увеличение рыночной стоимости конечного препарата. Связано это в первую очередь с тем, что цена лекарства в подавляющем большинстве случае складывается из затрат на разработку и исследования.

Подбор медицинского персонала

Сложность критериев включения в КИ с точки зрения медицинского документооборота и этических нюансов влечет за собой необходимость обширного штата медицинских работников. Сюда относятся как сотрудники исследовательских центров, осуществляющих подбор и скрининг пациентов, так и сотрудников спонсора, задачей которых является и исходная разработка критериев, и контроль за их исполнением. 

Заключение

Увеличение стоимости разработки новых лекарств ставит биофармацевтические компании перед дилеммой. Когда эпоха молекул-блокбастеров, кажется, подходит к концу, а процесс НИОКР происходит медленнее, чем хотелось бы, искусственный интеллект (ИИ) способен стать настоящим спасательным кругом. Для смены парадигмы на новую устойчивую траекторию роста необходима фундаментальная трансформация базовой бизнес-модели всей биофармацевтической отрасли.

За последние 5 лет современные методы ИИ достигли уровня зрелости, который позволяет использовать их в реальной научно-исследовательской среде [ref]. В то же время, здравоохранение по-прежнему относятся к отраслям с наиболее жестким регулированием. Внедрение инноваций, изменяющих установленные процессы –сложная задача, подход к которой возможен лишь поэтапно. И хотя ИИ способен повлиять на оптимизацию процесса клинической разработки, направленные одновременно на все аспекты этого процесса шаги, обречены на провал. Таким образом, использование ИИ сегодня ограничивается исключительно прикладными аспектами работы с данными.

Какие же шаги будет необходимо предпринять биотехнологическому миру на пути к трансформации процесса клинической разработки? Во-первых, показать регулятору способность валидации технологии, ведь результат такой автоматизации должен быть воспроизводим для дальнейшего масштабирования. Во-вторых, доказать реальное снижение издержек – единственный осязаемый критерий экономической эффективности новой системы.

Следует отметить, что накопленный массив данных из неудавшихся КИ представляет не меньшую научную ценность. Часть КИ поздних фаз завершаются преждевременно ввиду недостатков дизайна, а полученными в рамках них данными пренебрегают как нерелевантными. Тем не менее, закон больших чисел говорит нам, что в совокупности данные таких КИ могут представлять научную ценность, но справится с этим под силу лишь ИИ.

Однако, подобно тому, как изменение подходов к дизайну клинических исследований само по себе не способно изменить производительность биофармацевтических и клинических исследований, внедрение ИИ не является волшебной пулей, способной в мгновение ока изменить парадигму клинической разработки. Скорее всего, в ближайшие годы мы будем ни раз слышать о новых технологиях ИИ в оптимизации отдельных процессов. Но для достижения необходимого результата – снижения издержек на разработку новых высокоэффективных лекарств, должны появиться такие сущности как – свободные библиотеки данных, биофармацевтические консорциумы, нормативные акты, и это лишь вершина айсберга.


Обсуждение статьи и ответы экспертов.

Оставьте свой комментарий.