AI membantu uji klinis
getty
Artificial intelligence (AI) telah merevolusi sebagian besar penemuan obat awal, namun uji klinis manusia masih menjadi sebuah hambatan. Sekarang beberapa aplikasi dari teknologi baru tersebut membawa efisiensi ke penelitian klinis.
Modeling dan simulasi yang canggih menunjukkan bahwa AI dapat memainkan peran utama dalam meningkatkan tingkat keberhasilan obat-obatan baru yang masuk ke studi manusia. Industri farmasi telah lama berjuang dengan tingkat efisiensi. Menurut Badan Anggaran Kongres (CBO), hanya 14% obat yang masuk uji klinis akhirnya disetujui oleh FDA. Proses pengembangan kompleks dan bisa memakan waktu bertahun-tahun, dengan banyak obat gagal pada berbagai tahap. Perkiraan adalah biaya pengembangan satu obat bisa melebihi $ 2 Miliar.
Target dari perangkat lunak pemodelan dalam penelitian klinis adalah menciptakan program yang dapat mensimulasikan uji klinis yang mahal. Industri teknis lain menggunakan simulasi yang luas saat membangun barang-barang yang sangat kompleks seperti semikonduktor dan jet tempur. Namun, dalam beberapa hal, biologi sebenarnya lebih sulit untuk dimodelkan karena kompleksitas sistem yang lebih tinggi.
Simulasi membawa sejumlah harapan untuk pengembangan obat. Dengan memodelkan uji coba secara preventif dan mendapatkan dosis yang akurat, probabilitas keberhasilan dapat ditingkatkan dan kecermatan ditingkatkan. Pada akhirnya, tujuannya adalah menggunakan simulasi uji coba untuk dapat melakukan uji coba tanpa pasien bersifat sepenuhnya aman. Meskipun uji coba virtual sepenuhnya mungkin masih lebih dari satu dekade lagi, pembelajaran mesin dan AI telah berkembang cukup untuk mulai mengelola biologi manusia dan data dengan lebih baik.
QuantHealth, sebuah perusahaan desain uji klinis yang berbasis AI yang berbasis di Tel Aviv, telah mengumumkan penyelesaian lebih dari 100 uji klinis simulasi, melaporkan tingkat akurasi 85%. Perusahaan telah mengembangkan sistem AI berbasis Klinsial-Simulasi yang propietary yang menggabungkan lebih dari 1 triliun titik data di domain klinis dan farmakologi untuk mengoptimalkan pengembangan klinis, menurut CEO Orr Inbar.
Perangkat lunak simulasi uji klinis memungkinkan para ilmuwan untuk secara menyeluruh memodelkan uji klinis dengan ribuan variasi dengan cepat, memungkinkan para ahli pengembangan obat untuk mengevaluasi parameter berdasarkan kesuksesan akhir, kelayakan komersial, dan protokol. Platform In-Silico menghasilkan bukti tentang bagaimana terapi akan berkinerja di semua fase klinis, segera setelah mekanismenya diketahui dan bukti pra-klinis telah dibangun. Mesin generasi bukti sintetis ini dapat digunakan untuk mendukung perencanaan uji coba, serta pemilihan indikasi, repurposing obat, dan evaluasi aset lisensi.
Untuk mengatasi tantangan menemukan data dalam jumlah besar untuk melatih modelnya, perusahaan AI telah bekerja sama dengan sistem kesehatan untuk mengumpulkan data untuk melatih model dan QuantHealth telah menghabiskan beberapa tahun untuk mengakuisisi, memproses, dan menganalisis data dari sumber data propietary. QuantHealth telah bermitra dengan OMNY yang mewakili data dari 50 organisasi penyedia secara nasional termasuk sistem rumah sakit, nirlaba, praktik komunitas, rumah sakit pediatrik, dan institut kanker nasional yang mewakili 78 juta pasien, atau sepertiganya dari orang Amerika. Mereka telah mendapatkan lisensi lebih dari 350 juta data pasien dari basis data untuk mendapatkan gambaran lengkap dari setiap pasien dan menambahkan lima basis data lainnya dalam genetika, biologi seluler, farmakologi, dan kaskade biologis. Perusahaan membangun fondasi menggunakan hasil uji klinis dan data dari FDA, dengan elemen data dunia nyata (RWD), dan grafik pengetahuan klinis yang kemudian memasukkan data tambahan sponsor sendiri.
AI QuantHealth dapat memprediksi hasil uji coba fase 2 dengan akurasi 88% (dibandingkan dengan tingkat keberhasilan aktual 28,9%), dan hasil uji coba fase 3 dengan akurasi 83,2% (dibandingkan dengan rata-rata industri 57,8%) menurut rilis pers dan wawancara perusahaan. Teknologi ini mampu memprediksi hasil uji klinis dengan akurasi yang jauh lebih tinggi dibandingkan tingkat keberhasilan saat ini. Akurasi tersebut akan memungkinkan pengguna untuk menjawab pertanyaan kritis misalnya, uji coba lanjut atau tidak, optimalisasi kohor, repurposing obat, dan lainnya.
QuantHealth melakukan desain uji klinis untuk perusahaan farmasi dan menyesuaikan hasil dengan merubah titik akhir atau populasi untuk menentukan hasil yang berbeda. Hal ini dapat digunakan untuk optimalisasi portofolio, seberapa baik obat baru akan berperforma dibandingkan dengan pesaing saat mempertimbangkan akuisisi, dan sistem kesehatan menanyakan apa pasien yang akan merespon berbeda dalam uji coba beda.
CEO Inbar menyatakan bahwa QuantHealth bekerja dengan lima dari sepuluh perusahaan farmasi besar, dengan kebanyakan klien beralih dari pilot ke beberapa uji coba.
AI dalam penelitian obat
getty
Area penting lainnya di mana AI meningkatkan simulasi pengembangan obat adalah dengan akurat memprediksi dosis yang sesuai. Obat-obatan pertama kali diuji pada hewan untuk memastikan keamanan. Namun, memahami cara berpindah dari dosis hewan ke manusia terus menjadi masalah yang sulit.
Certara menggunakan AI untuk mempercepat proses pengembangan obat dengan teknologi yang dapat dengan mudah menggabungkan simulasi dengan pendekatan lain untuk membantu memodelkan dosis berdasarkan studi non-hewan sebelumnya.
Badan Pengawas Obat dan Makanan Amerika Serikat (FDA) telah memiliki kerja sama jangka panjang dengan sejumlah lisensi perangkat lunak Certara untuk meninjau aplikasi obat dan biologis baru. Selain itu, FDA telah memberikan hibah untuk memperluas model prediksi untuk menilai bioekivalensi virtual obat (VBE) dan membuat kotak alat formulasi untuk obat-obatan yang dioleskan topikal. Kemampuan ini akan membantu memungkinkan pengembangan produk yang lebih aman, lebih cepat, dan lebih hemat biaya baik untuk obat generik yang kompleks maupun obat baru.
AI membantu Certara untuk mengekstraksi jutaan dokumen dan sumber data tak berstruktur secara sistematis dan bermakna dan juga menggabungkan data yang ada di domain publik dengan data propietary perusahaan farmasi untuk membangun database unik. Platform AI mengekstraksi sekitar enam juta sumber publik, termasuk basis data regulasi besar dan pengajuan terkait, memo, dan pertemuan ilmiah.
Menulis di Pharma Focus Europe, Amin Rostami-Hodjegan dan Piet van der Graaf menjelaskan aplikasi yang digunakan di Certara. AI membantu mengelola overload informasi, terutama saat fakta-fakta jarang dan tampaknya tak berhubungan, dengan menelusuri data dan mengekstraksi elemen-elemen yang berguna. Ini juga memberi kepercayaan kepada Certara dalam model-model dengan mengumpulkan bukti tidak langsung yang memverifikasi keputusan yang didasarkan pada model. Certara menggunakan AI untuk membangun model-model yang merupakan representasi matematika dari fisiologi obat dan membangun peta biologis. Model-model tersebut membantu menjawab pertanyaan seperti, “Berapa lama molekul tersebut akan bertahan dalam tubuh? Apakah akan berubah menjadi metabolit yang tidak diinginkan?”
Simulasi juga digunakan untuk memprediksi titik akhir klinis dalam penemuan mekanisme novel dan mengidentifikasi biomarker baru. Model-model ini dapat menangkap biologi fundamental dan kemudian mensimulasikan apa yang terjadi pada biomarker, jenis sel, dan sitokin saat memasukkan senyawa ke dalam sistem tersebut. Hal ini memungkinkan para peneliti untuk memprediksi titik akhir klinis untuk mekanisme novel lebih awal dalam proses pengembangan.
AI memberikan dukungan yang semakin kuat untuk proses pengembangan obat. Aplikasinya meluas dari meninjau jutaan titik data dan mengumpulkan informasi relevan, hingga membantu membangun peta biologis dan model-model dari mekanisme tindakan baru dan memprediksi titik akhir klinis.
Sistem simulasi klinis berbasis AI dapat menjadi permainan penukar bagi industri farmasi. Kemampuan untuk memprediksi hasil uji klinis dengan akurasi yang jauh lebih tinggi dibandingkan dengan tingkat keberhasilan saat ini, memiliki potensi untuk menghemat industri miliaran dolar dan bertahun-tahun waktu.