IA negli studi clinici: migliorare l'efficienza e risparmiare denaro

Studi clinici sono la fase più importante nel processo di sviluppo del farmaco. Vengono utilizzati per valutare l'efficacia e la sicurezza di un farmaco, di un approccio clinico o di una terapia.

Attualmente, gli studi clinici sono processi costosi, laboriosi e complessi, soggetti a errori e pregiudizi. Le aziende farmaceutiche devono selezionare e reclutare individualmente i volontari per gli studi clinici, operazione che richiede tempo e denaro. 

Tuttavia, intelligenza artificiale (AI) sta trasformando il modo in cui le aziende farmaceutiche conducono gli studi clinici, proprio come sta rivoluzionando AI nella scoperta di farmaci.

L'AI può essere utilizzata per selezionare i criteri di idoneità clinica, identificare i candidati ideali per gli studi e ridurre i requisiti di dimensione del campione. Questo articolo illustra come gli studi clinici potenziati dall'AI possano ridurre i costi e aumentare l'efficienza.

In che modo l'AI sta trasformando i processi degli studi clinici?

L'AI può trasformare diversi aspetti degli studi clinici. I suoi obiettivi includono aumentare l'efficienza e ridurre i costi degli studi clinici. Ecco alcuni passaggi in cui l'AI negli studi clinici può essere impiegata:

Selezione e reclutamento dei pazienti

Algoritmi di AI possono essere utilizzati per setacciare grandi database di cartelle cliniche. I criteri desiderati possono essere inseriti nell'algoritmo, che può quindi fornire un elenco di pazienti che corrispondono ai criteri di idoneità. Questo accelera il reclutamento e garantisce che il paziente sia adatto allo studio.

Reclutamento predittivo dei pazienti

Le aziende farmaceutiche possono utilizzare algoritmi di AI per analizzare le cartelle cliniche e identificare potenziali volontari per gli studi clinici in base a dati predefiniti. Tale integrazione velocizzerà il processo di reclutamento dei pazienti, riducendo i tempi degli studi clinici.

Inoltre, l'AI può automatizzare anche la fase iniziale del reclutamento, come la redazione delle lettere di consenso iniziali e la creazione di presentazioni sugli studi clinici per gli HCP che interagiscono con i potenziali volontari.

Ritenzione dei pazienti

I pazienti spesso abbandonano gli studi clinici, il che crea difficoltà per i ricercatori perché può causare problemi nell'analisi dei dati. L'AI negli studi clinici può essere utilizzata per determinare quali candidati sono più propensi ad abbandonare.

Fornendo ai pazienti sondaggi regolari e inserendo queste informazioni nell'algoritmo, l'AI può prevedere quale candidato potrebbe essere a rischio di abbandono. L'AI può anche offrire soluzioni e strategie per migliorare la ritenzione dei pazienti.

Gestione e analisi dei dati

Durante gli studi clinici, i dati vengono raccolti da varie fonti come cartelle cliniche elettroniche, dispositivi indossabili e dispositivi medici. La raccolta, l'integrazione e l'analisi di database così vasti richiedono tempo. L'AI negli studi clinici può gestire database complessi ed eseguire analisi sofisticate, risparmiando tempo e denaro.

Ottimizzare il design dello studio

Simulazioni basate su AI possono essere utilizzate per prevedere vari scenari e risultati degli studi clinici. Sulla base di questi risultati, il disegno degli studi clinici può essere ottimizzato. Inoltre, possono essere previsti prima i potenziali problemi che potrebbero insorgere durante gli studi e progettate soluzioni preventive.

Automazione del monitoraggio degli studi

Gli studi clinici devono essere monitorati accuratamente durante tutto il periodo per garantire l'assenza di anomalie. Ciò comporta una raccolta, analisi e sorveglianza dei dati costante e dettagliata, per la quale sono necessari operatori, rendendo gli studi clinici costosi.

Tuttavia, molte di queste attività possono essere svolte dall'AI. Ad esempio, l'AI può analizzare i dati e individuare anomalie, così i responsabili non devono esaminare tutti i dati.

L'AI può anche automatizzare compiti di conformità ripetitivi come l'analisi dei dati, l'estrazione dei dati, la generazione di report, le submission e i controlli di qualità, riducendo il carico di lavoro umano. Questo si allinea con sforzi più ampi in conformità normativa dell'AI in ambito farmaceutico, aiutando le aziende a restare pronte per gli audit riducendo la supervisione manuale.

Modellazione predittiva

L'AI può anche essere utilizzata per stimare il tempo e i costi degli studi clinici. Il disegno dello studio clinico può essere inserito negli algoritmi insieme ad altri parametri come il numero di partecipanti. Sulla base di ciò, l'algoritmo può fornire una stima di tempo e costo. Il disegno può quindi essere adattato per ottimizzare entrambi i parametri.

Sebbene l'IA nelle sperimentazioni cliniche sia ancora in fase embrionale, è già stata integrata in alcuni passaggi delle sperimentazioni cliniche. Ecco alcune tecnologie chiave per le sperimentazioni cliniche potenziate dall'IA.

Tecnologie chiave potenziate dall'IA utilizzate nelle sperimentazioni cliniche

Ultimi software e tecnologie per sperimentazioni cliniche potenziati dall'IA:

Trial Pathfinder è uno strumento open-source basato sull'IA che utilizza le cartelle cliniche elettroniche (EHR) per simulare sperimentazioni cliniche. I dati EHR vengono integrati per comprendere come l'aggiustamento dei criteri di inclusione della sperimentazione clinica possa modificare il rapporto di rischio di sopravvivenza complessivo. 

TwinRCTs è un software per sperimentazioni cliniche che combina IA, nuovi metodi statistici e digital twin (un modello virtuale in grado di riflettere con precisione un oggetto fisico) per migliorare il tasso di successo delle sperimentazioni cliniche.

Il modello può prevedere la progressione della malattia nei pazienti della sperimentazione clinica utilizzando coorti esterne. I digital twin stanno rivoluzionando le simulazioni virtuali delle sperimentazioni e il modello predittivo nel settore farmaceutico. Scopri di più nel nostro approfondimento su gemelli digitali nel settore farmaceutico.

Criteria2Query è uno strumento basato sull'IA in cui gli utenti inseriscono i criteri di inclusione ed esclusione e lo strumento utilizza un'interfaccia web per trovare candidati corrispondenti nei database dei pazienti.

TrialGPT può essere utilizzato per richiamare un large language model al fine di trovare sperimentazioni cliniche appropriate per un paziente. Viene inserita una descrizione del paziente e il modello determina se il paziente è idoneo a qualche sperimentazione clinica, fornendo le motivazioni dei suoi risultati.

Deep6 AI: Deep6 utilizza l'IA nelle sperimentazioni cliniche per abbinare studi in corso o imminenti con i pazienti. Analizza dati clinici non strutturati in tempo reale per connettere i pazienti interessati con gli studi pertinenti.

Trials.ai: Trails.ai impiega un algoritmo IA che snellisce la progettazione e la gestione delle sperimentazioni cliniche. I ricercatori possono analizzare i costi e i tempi associati alla progettazione e ottimizzarli per garantire che entrambi rimangano entro i limiti desiderati.

IBM Watson Health: IBM Watson Health utilizza l'IA per analizzare grandi database di sperimentazioni cliniche e accelerare la scoperta di farmaci.

Queste sono alcune delle applicazioni reali dell'IA nelle sperimentazioni cliniche, a complemento di come IA nel marketing farmaceutico stia migliorando l'engagement dei pazienti e le strategie di outreach. Tuttavia, nonostante questa adozione, l'uso dell'IA nelle sperimentazioni cliniche affronta alcune sfide.

Sfide che l'IA nelle sperimentazioni cliniche deve affrontare

Sfida: I dati sono soggetti a rigidi requisiti normativi. 

Per prevedere gli esiti della sperimentazione, selezionare i pazienti corretti per gli studi e monitorare la salute dei pazienti, gli algoritmi di IA necessitano di accesso a dati in tempo reale, di alta qualità e in grandi quantità.

Tuttavia, considerando le rigorose linee guida normative sulla privacy dei dati e sul consenso informato, questi dati potrebbero non essere sempre disponibili, il che limita l'efficacia dell'algoritmo.

Sfida: L'integrazione dell'IA nel flusso di lavoro delle sperimentazioni cliniche è costosa.

L'implementazione dell'IA nelle sperimentazioni cliniche è costosa. Per integrare l'infrastruttura robusta e le risorse computazionali (ad es. il database), le aziende devono assumere esperti.

Si tratta di un processo che richiede tempo e lavoro, risultando costoso. Inoltre, le pratiche e i sistemi esistenti devono essere integrati nell'IA per garantire che questa sia più efficiente rispetto al processo tradizionale.

Sfida: I modelli di IA non sono trasparenti né interpretabili.

La maggior parte dei modelli di IA opera come scatole nere, il che significa che non forniscono alcuna spiegazione per le loro raccomandazioni o decisioni. La mancanza di trasparenza e interpretabilità è problematica perché, in ambito clinico, ogni decisione deve avere una motivazione logica.

Inoltre, i modelli di IA che non forniscono ragionamenti o non sono trasparenti potrebbero non essere adottati perché i ricercatori non si fiderebbero del modello.

Sfida: L'IA può trasmettere pregiudizi presenti nei dati di addestramento.

Gli algoritmi di IA sono addestrati su dati preesistenti, che possono presentare dei pregiudizi. I sistemi di IA possono involontariamente trasmettere tali pregiudizi, i quali potrebbero non essere applicabili a tutte le popolazioni di pazienti, compromettendo gravemente la loro affidabilità. 

Considerazioni etiche sull'IA

Ecco alcune considerazioni etiche chiave per lo sviluppo di modelli di IA per gli studi clinici:

Il modello deve essere conforme a tutte le normative sui dati, inclusi HIPAA e GDPR. Queste normative esistono per garantire la privacy e la sicurezza dei dati, che sono una preoccupazione primaria per i modelli di IA. Inoltre, devono essere implementati processi di anonimizzazione all'interno del modello per garantire la privacy una volta lanciato.

Deve essere sempre ottenuto il consenso informato del paziente. I partecipanti dovrebbero ricevere informazioni dettagliate e di facile comprensione su come i dati verranno utilizzati prima di fornire il consenso. Ciò è inoltre in linea con tutte le normative sui dati.

Deve essere stabilita la responsabilità per le decisioni raccomandate dall'IA. L'implementazione delle raccomandazioni dell'IA può comportare esiti negativi per gli studi clinici o per i pazienti. In tali casi è necessario determinare a chi ricade la responsabilità. Spostare la colpa da un team all'altro creerà solo confusione e non fornirà soluzioni. 

La validazione deve essere eseguita in modo approfondito. Pur essendo tollerabili ampie variabilità e margini di errore in altri casi d'uso dell'IA, ciò non vale per il settore farmaceutico poiché tali errori possono avere un impatto permanente sulla vita dei pazienti. Pertanto, l'affidabilità e l'equità del modello devono essere dimostrate in modo approfondito su popolazioni diverse e in contesti reali.

La trasparenza deve essere integrata. Tutte le raccomandazioni e le decisioni del modello dovrebbero essere interpretabili da clinici e stakeholder. Questa trasparenza è spesso una sfida per la maggior parte dei modelli di IA, ma è cruciale perché solo comprendendo le motivazioni alla base di una decisione si può stabilire se la decisione sia corretta o meno.

La mitigazione del rischio dovrebbe essere una priorità. Nell'industria farmaceutica, il termine “rischio” ha una definizione unica e significativa: implica conseguenze permanenti per i pazienti come paralisi o morte. Pertanto, il rischio derivante dall'implementazione dell'IA negli studi clinici deve essere identificato e mitigato in modo approfondito prima dell'implementazione su larga scala per prevenire eventuali eventi avversi.

Queste considerazioni devono essere affrontate da tutte le parti interessate durante le fasi di costruzione e addestramento del modello di IA poiché possono influire in modo significativo sull'approvazione del modello da parte delle autorità regolatorie e sulla capacità del modello di fornire risposte corrette.

Conclusione

L'uso dell'IA negli studi clinici ha molto potenziale, soprattutto per migliorare l'efficacia e ridurre i costi. Le tecnologie basate sull'IA possono ottimizzare la gestione e l'analisi dei dati, migliorare la selezione e la fidelizzazione dei pazienti e ottimizzare il disegno degli studi clinici.

A tal fine, diverse tecnologie di IA sono già state integrate dalle aziende farmaceutiche. Tuttavia, nonostante questa integrazione, l'IA affronta alcune sfide, principalmente dovute alle rigorose leggi sulla privacy dei dati, ai costi elevati di integrazione e alla scarsa trasparenza.

Man mano che avanzeremo nel futuro, l'IA negli studi clinici dovrà superare queste e molte altre sfide per essere ampiamente adottata. Tuttavia, considerati i suoi vantaggi, l'IA negli studi clinici ha un enorme potenziale. 

Domande frequenti

In che modo l'IA accelera gli studi clinici?

L'IA può accelerare gli studi clinici automatizzando attività ripetitive, identificando partecipanti potenziali, semplificando la gestione dei dati, ottimizzando il disegno degli studi e garantendo la fidelizzazione dei pazienti.

Esempi di IA nella ricerca clinica?

L'IA può essere utilizzata per lo sviluppo di nuovi farmaci, l'identificazione dei candidati, l'automazione degli studi clinici, la progettazione degli studi clinici e la formulazione dei farmaci. Pharma Now ha pubblicato vari articoli che illustrano l'uso dell'IA nei diversi rami del settore farmaceutico. Leggili per saperne di più

Quali sono le preoccupazioni etiche nell'uso dell'IA negli studi clinici?

Le preoccupazioni etiche riguardano il consenso informato, la sicurezza dei dati e la privacy dei pazienti. Inoltre, l'IA può inconsapevolmente adottare pregiudizi basati sui dati su cui è addestrata.

Esistono regolamentazioni specifiche sull'IA negli studi clinici?

Sì, esistono regolamentazioni specifiche sull'IA. Essa è inoltre soggetta a tutte le normative e linee guida sulla sicurezza dei dati, la privacy dei dati e l'etica applicabili a tutte le aziende farmaceutiche.

L'IA può essere utilizzata per prevedere gli esiti degli studi clinici?

Sì, l'IA può essere utilizzata per prevedere gli esiti. Questo consente ai ricercatori di prendere decisioni informate durante gli studi. 

Riferimenti

https://www.nature.com/articles/d41586-024-00753-x

https://www.mckinsey.com/industries/life-sciences/our-insights/how-artificial-intelligence-can-power-clinical-development

https://www.nature.com/articles/s43856-023-00425-3

https://www.starmind.ai/blog/how-using-ai-in-clinical-trials-accelerates-drug-development

https://www.fda.gov/science-research/science-and-research-special-topics/artificial-intelligence-and-machine-learning-aiml-drug-development

https://www.linkedin.com/pulse/trial-pathfinder-ai-framework-systematically-evaluate-rahul-shirale/

https://www.linkedin.com/pulse/top-three-aiml-use-cases-largest-potential-clinical-trials-herax-fswqf/

https://www.nature.com/articles/d41586-024-00753-x#:~:text=Xiaoyan%20Wang%20notes%20that%20there,privacy%20or%20create%20security%20risks.

https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-019-1426-2