Mengapa Menggunakan Kecerdasan Buatan dalam Uji Klinis Telah Menjadi Normal Baru

Pada tahun 1994, Dr. Kevin Hughes dan rekan-rekannya ingin menguji pengobatan untuk kanker payudara stadium awal pada wanita yang lebih tua. Meskipun sekitar 40.000 wanita di AS dapat memenuhi syarat untuk uji coba ini setiap tahun, Hughes dan timnya membutuhkan waktu lima tahun untuk merekrut 636 peserta.

Beberapa waktu kemudian, Mayo Clinic merencanakan penelitian lain yang melibatkan kanker payudara. Para peneliti mengandalkan IBM Watson untuk pencocokan pasien uji klinis yang didukung kecerdasan buatan (AI) dan melaporkan peningkatan 80% dalam pendaftaran bulanan. Jika Dr. Hughes memiliki akses ke teknologi seperti itu, dia akan merekrut cukup banyak peserta lebih cepat.

Saat ini, perusahaan farmasi mendapat manfaat dari layanan pengembangan AI perawatan kesehatan untuk memfasilitasi perencanaan dan pelaksanaan studi klinis mereka. Pasar penyedia solusi uji klinis berbasis AI global sedang meningkat. Itu bernilai $ 1,3 miliar pada tahun 2021 dan diperkirakan akan tumbuh pada CAGR 22% dari 2022 hingga 2030.

Jadi, apa lagi yang bisa dilakukan AI untuk mendapatkan manfaat dari uji klinis? Dan tantangan apa yang dapat diharapkan organisasi Anda dalam perjalanan menuju implementasi teknologi?

Mengapa farmasi membutuhkan pendekatan baru untuk uji klinis?

Studi menunjukkan bahwa uji klinis obat baru berlangsung rata-rata sembilan tahun dan menghabiskan biaya sekitar $1,3 miliar untuk melaksanakannya. Biaya uji klinis yang gagal, sementara itu, berkisar antara $800 juta dan $1,4 miliar. Dan fakta bahwa 90% dari semua obat akhirnya gagal dalam uji klinis hanya memperumit masalah.

Dalam uji klinis tradisional, dokter dan peneliti secara manual mencari peserta, dan pasien harus hadir secara fisik untuk mendaftar dan menjalani evaluasi. Perawatan juga terjadi di tempat melalui kunjungan terjadwal. Ini tetap merupakan pendekatan yang aman untuk mengembangkan pengobatan baru. Namun, lambat dan tidak memiliki fleksibilitas yang diperlukan untuk menyusun terapi kompleks dan memenuhi kebutuhan segmen populasi yang lebih kecil yang seringkali heterogen.

Selain itu, pendekatan ini tidak memiliki kapasitas untuk mengintegrasikan dan memproses data dari rumah sakit, pusat penelitian, praktik swasta, dan rumah pasien. Para peneliti akan berjuang dengan perekrutan peserta dan akan meminta pasien untuk mengunjungi situs percobaan untuk tinjauan kondisi sistematis dan pemantauan, yang dapat meningkatkan kemungkinan pasien putus sekolah.

Kecerdasan buatan dan subtipenya dapat membantu menyelesaikan masalah ini.

Bagaimana AI dapat memodernisasi uji klinis?

AI dapat mengintegrasikan data dari berbagai sumber, termasuk catatan kesehatan elektronik (EHR), makalah penelitian, informasi uji klinis sebelumnya, dan studi kasus medis khusus. Itu juga dapat menangani aliran data yang berkelanjutan dari perangkat medis pribadi.

Teknologi uji klinis yang digerakkan oleh AI dapat mengumpulkan, membersihkan, memproses, mengelola, dan memvisualisasikan semua informasi ini dengan cara yang membantu dokter memahami penyakit tertentu dan potensi yang ditawarkan berbagai senyawa kimia dalam melawannya. Sementara analitik prediktif dalam perawatan kesehatan membantu meramalkan bagaimana pasien dapat bereaksi terhadap solusi yang diusulkan.

Memperoleh akses ke wawasan yang diperoleh dari semua informasi ini secara tepat waktu akan memberdayakan para peneliti untuk membuat keputusan yang lebih tepat dengan cepat. Berikut adalah bagaimana AI dapat menguntungkan berbagai aspek uji klinis.

Kecerdasan buatan dalam uji klinis: 5 aplikasi teratas

Kecerdasan buatan memiliki banyak manfaat di bidang kesehatan. Misalnya, sejak pandemi melanda, farmasi banyak menggunakan AI untuk mempercepat uji klinis calon vaksin COVID-19.

Ada lima aplikasi utama AI dalam uji klinis. Teknologi:

• Membantu merancang uji klinis
• Mempermudah rekrutmen peserta
• Mendukung pemilihan lokasi percobaan
• Memantau kepatuhan peserta
• Membantu dalam pengumpulan dan analisis data uji klinis

1. AI membantu merancang uji klinis

Penelitian menunjukkan bahwa desain uji klinis yang buruk dapat mencegah obat yang berpotensi manjur dari menunjukkan kemanjuran, membuang semua sumber daya yang dihabiskan untuk mengembangkan obat ini.

Tetapi merancang studi klinis itu menantang karena perusahaan farmasi perlu melihat data dalam jumlah besar, 80% di antaranya tidak terstruktur dan sulit untuk dianalisis. AI untuk uji klinis dapat membantu mengumpulkan dan memproses semua data ini dan menemukan pola yang berguna. Misalnya, ia dapat memperoleh protokol peraturan yang tepat, strategi, dan model pendaftaran pasien yang sesuai dengan negara uji coba. AI juga dapat membantu mengidentifikasi waktu terbaik untuk melakukan penelitian.

Ini akan menghasilkan lebih sedikit perubahan protokol, pasien putus sekolah, dan pelanggaran peraturan. Pusat Studi Pengembangan Obat Tufts menemukan bahwa satu amandemen protokol substansial dapat memperpanjang uji coba selama tiga bulan dan biaya antara $ 140.000 dan $ 530.000 tergantung pada fase uji coba.

2. AI memfasilitasi perekrutan peserta dalam uji klinis

Ada tiga masalah utama terkait pasien yang menghambat uji klinis.

1. Pencarian pasien kandidat

Secara tradisional, pasien dapat mendengar tentang uji coba yang relevan dari dokter mereka atau mencari database yang sesuai, seperti pendaftaran studi klinis nasional AS. Sumber-sumber ini tidak cukup, karena dokter tidak mengetahui semua uji coba yang sedang berlangsung dan pasien mungkin merasa terbebani dengan menggulir situs web pemerintah, terutama mengingat diagnosis mereka baru-baru ini.

Meningkatkan uji klinis dengan AI memungkinkan penyaringan data pasien, seperti EHR dan pencitraan medis, untuk membandingkan karakteristik pasien dengan kriteria kelayakan penelitian untuk mengidentifikasi individu yang tepat untuk uji coba khusus ini. AI cukup kuat untuk memilih satu set peserta yang homogen, yang menantang dengan metode konvensional.

Startup AI Deep Lens menggunakan basis data studi onkologi yang luas untuk merekrut pasien untuk uji coba. Startup ini dapat mencocokkan orang yang baru didiagnosis dengan kanker dan mempercepat pendaftaran mereka dalam uji coba. Sementara 23andMe, sebuah perusahaan genetika pribadi yang berbasis di California, menyarankan studi klinis kepada kliennya berdasarkan susunan genetik mereka.

2. Pasien putus sekolah

Penelitian menunjukkan bahwa sekitar 30% peserta cenderung berhenti dari uji klinis. Hal ini mengakibatkan bertambahnya pengeluaran dan waktu yang dibutuhkan untuk menyelesaikan studi. Merekrut satu pasien untuk uji klinis menghabiskan biaya rata-rata $6.500, sementara mengganti pasien saat uji coba sudah berlangsung membutuhkan biaya lebih banyak lagi. Kami dapat menyelesaikan kedua masalah ini dengan pemilihan pasien yang ketat.

Seperti disebutkan pada poin sebelumnya di atas, AI menyelidiki data pasien dan dapat melihat di luar kriteria penerimaan studi, meminimalkan putus sekolah di masa mendatang.

3. Evaluasi pasien

Calon peserta harus melalui evaluasi untuk memastikan mereka memenuhi kriteria inklusi, yang menuntut kehadiran fisik mereka. Dan tergantung pada lokasi dan fleksibilitas pekerjaan mereka, mereka mungkin tidak dapat mengunjungi fasilitas uji coba dalam waktu yang ditentukan. AI dapat merampingkan penerapan teknologi yang dapat dikenakan, memungkinkan pasien untuk melakukan beberapa evaluasi di rumah. Kemudian algoritme pembelajaran mesin dapat menggabungkan dan menganalisis data.

Misalnya, startup medis TytoCare menawarkan alat pemeriksaan yang terhubung dan aplikasi seluler dasar yang memungkinkan pasien untuk menangkap pengukuran dari paru-paru, jantung, kulit, tenggorokan, dll. dan mengirimkannya ke dokter.

3. AI mendukung pemilihan lokasi uji klinis

AI dapat menganalisis data tentang dokter, pasien, dan kondisi iklim yang tersedia di lokasi geografis yang berbeda dan memvisualisasikannya di peta, yang membantu perusahaan farmasi memilih lokasi penyelidik dengan potensi terbesar.

Salah satu contoh penggunaan kecerdasan buatan dalam pemilihan lokasi berasal dari Innoplexus. Perusahaan AI uji klinis ini membantu perusahaan farmasi merancang dan mempersiapkan studi dengan teknologi Pembanding Uji Klinisnya. Ini menawarkan dasbor untuk memvisualisasikan informasi yang membantu memprioritaskan situs untuk studi klinis prospektif, termasuk kedekatan dengan uji klinis pesaing, geografi, dan populasi kandidat. Innoplexus juga mengembangkan dasbor bertenaga AI yang disesuaikan dengan filter yang memungkinkan kliennya mengintegrasikan data pihak ketiga dan menetapkan ambang batas dan metrik untuk kriteria pemilihan situs mereka sendiri.

4. AI memantau kepatuhan peserta dalam uji klinis

Ketidakpatuhan obat agak umum. Studi menunjukkan bahwa 50% orang Amerika gagal untuk mengambil obat kronis jangka panjang mereka seperti yang diinstruksikan. Dan menurut Organisasi Kesehatan Dunia, kepatuhan pengobatan dapat memiliki dampak yang lebih besar daripada pengobatan itu sendiri.

Dalam uji klinis, proses pelacakan kepatuhan pengobatan secara manual rentan terhadap kesalahan, karena bergantung pada memori pasien. Dan dokter sering menggunakan sistem pencatatan yang tidak dapat diandalkan, seperti pena dan kertas, yang dapat menyebabkan hilangnya informasi.

Menyebarkan perangkat yang dapat dikenakan bersama dengan uji klinis AI memungkinkan peneliti untuk memantau tindakan pasien melalui pengambilan data otomatis alih-alih menunggu laporan manual pasien. Misalnya, AiCure, salah satu perusahaan uji klinis AI terkemuka, mengembangkan asisten medis interaktif yang dapat melihat pasien yang berisiko tidak patuh. Teknologi ini juga memungkinkan pasien untuk mengambil video diri mereka menelan pil sebagai bukti bahwa mereka benar-benar melakukannya. Asisten dapat mengidentifikasi pasien dan pil yang tepat, memastikan kepatuhan kepada dokter yang bertanggung jawab.

Untuk memotivasi pasien dan mendorong kepatuhan, optimize.health membuat botol obat pintar yang didukung oleh aplikasi seluler. Teknologi ini mengingatkan pasien kapan waktunya minum obat, melacak dosisnya, dan menyediakan materi edukasi. Itu juga dapat berkomunikasi dengan dokter untuk melaporkan umpan balik pasien.

5. AI membantu pengumpulan dan analisis data uji klinis

Uji klinis mengkonsumsi dan menghasilkan sejumlah besar data. Setiap peserta akan menghasilkan informasi yang berlebihan, seperti data kepatuhan, tanda-tanda vital, dan umpan balik perantara lainnya. AI dapat menggabungkan, menganalisis, dan menyajikannya kepada dokter dalam format yang dapat dibaca.

Selain itu, dengan bantuan perangkat IoT medis dan Internet of Bodies, dokter dapat memantau pasien di rumah mereka secara real time. Ini berarti memproses data dalam jumlah besar setiap hari. AI dapat mengambil alih tugas ini dan menemukan serta melaporkan setiap penurunan kondisi pasien, memastikan kesejahteraan pasien dan meminimalkan putus sekolah.

Manfaat menarik lainnya adalah algoritme pembelajaran mesin dapat mengidentifikasi kelompok pasien dalam jejak yang memerlukan penyelidikan lebih lanjut. Misalnya, jika uji coba tampaknya tidak memberikan hasil yang diharapkan, AI dapat mengidentifikasi peserta dengan kondisi tertentu yang tampaknya mendapat manfaat dari obat yang diselidiki atau perawatan untuk sub-percobaan.

Beberapa kata tentang tantangan menggunakan AI dalam uji klinis

Kurangnya interoperabilitas dalam data medis

Terlepas dari upaya yang dilakukan untuk menyatukan data medis, masih ada beberapa standar TI perawatan kesehatan, dan interoperabilitas data kesehatan masih menjadi tantangan. Hal ini membuat sulit untuk mengintegrasikan informasi pasien dari organisasi medis yang menggunakan perangkat lunak EHR yang berbeda. Belum lagi beberapa dokter masih mengandalkan catatan tulisan tangan.

Meskipun operasi AI terhambat oleh kurangnya interoperabilitas, teknologi ini juga dapat membantu mengatasi masalah ini. Model berbasis pemrosesan bahasa alami (NLP) dapat mengekstrak data klinis, seperti gejala dan diagnosis dari beragam sumber heterogen, dan menggabungkan informasi ini ke dalam database uji coba alih-alih menormalkan catatan kesehatan dan sumber lainnya.

Salah satu contohnya adalah Deep 6 AI, yang menggunakan NLP untuk mengurai beragam sistem EHR. Perusahaan ini bernilai $ 140 juta dalam penggalangan dana terbaru.

Namun, pekerjaan algoritma NLP tidak semudah itu karena tidak ada terminologi terpadu yang digunakan dokter untuk mengekspresikan konsep yang sama. Misalnya, beberapa dokter menyebut serangan jantung sebagai "infark miokard" atau "infark miokard", sementara beberapa hanya menuliskan "MI." Oleh karena itu, model AI uji klinis perlu dilengkapi untuk mengenali semua variasi ini.

Tantangan terkait AI

AI memiliki kesulitan khusus yang dibawanya ke setiap bidang di mana ia diterapkan. Jika Anda ingin mengetahui lebih banyak tentang AI, lihat artikel terbaru kami tentang tantangan implementasi AI dan berapa biaya AI.

Berikut adalah dua tantangan paling relevan yang dibawa oleh kecerdasan buatan ke dalam uji klinis:

Melatih algoritma pembelajaran mesin

Saat ini, masih belum ada pengganti yang dapat diandalkan dan sepenuhnya otomatis untuk proses anotasi data manual yang diperlukan untuk melatih model kecerdasan buatan yang digunakan dalam uji klinis. Tugas ini memakan waktu, dan hasilnya sering kali disesuaikan dengan penyedia layanan kesehatan individu atau penyakit tertentu.

“Saat ini, tidak ada yang namanya mesin NLP yang mengambil catatan klinis apa pun yang ditulis dari dokter mana pun dan dapat memahami apa yang tertulis di catatan itu,” kata Noemie Elhadad, Ahli Informatika Biomedis di Universitas Columbia, menekankan penggunaan kembali yang terbatas dari model NLP terlatih. .

Bias AI dan perlunya evaluasi terus-menerus

AI dapat mengembangkan bias jika dataset pelatihan tidak mewakili populasi sebenarnya, karena generalisasi model bergantung pada keragaman yang dilihatnya selama pelatihan. Misalnya, model yang tidak terlatih dengan baik dapat mengubah saran situs untuk uji klinis atau dapat berkinerja buruk pada pasien dengan warna kulit lebih gelap.

Bahkan algoritme yang terlatih dengan baik dapat memperoleh bias saat mereka terus belajar di tempat kerja. Oleh karena itu, penting untuk melakukan audit independen tepat waktu untuk menangkap setiap perilaku yang tidak pantas dan menghilangkannya.

“AI adalah produk medis hidup yang perlu terus-menerus diubah dan dikalibrasi ulang,” kata Dr Leo Anthony Celi, Ilmuwan Riset Utama di Massachusetts Institute of Technology. Dia percaya bahwa AI dan pembelajaran mesin dalam uji klinis perlu dilihat sebagai produk yang terpisah, terlepas dari perangkat medis yang digunakan dengan teknologi tersebut. Oleh karena itu, solusi bertenaga AI harus dinilai secara independen dan sering.

Masa depan uji klinis bertenaga AI

Accenture memprediksi tiga gelombang peningkatan dalam uji klinis tradisional, beberapa di antaranya akan membutuhkan waktu lama untuk matang.

1. Gelombang pertama akan membawa peningkatan signifikan dalam efektivitas uji coba karena teknologi yang muncul, seperti augmented reality (AR), dan akses ke data pasien waktu nyata, yang akan dibantu dan dianalisis oleh AI. AR sudah memiliki beberapa aplikasi di sektor kesehatan, dan perusahaan konsultan sangat berharap untuk penggunaan AR dan VR dalam pemantauan kepatuhan pasien.
2. Gelombang kedua menyiratkan bahwa jejak akan menjadi virtual. Ini berarti bahwa peneliti dapat mengandalkan agen digital bertenaga AI untuk merekrut pasien, memeriksa kelayakan mereka, mendapatkan persetujuan formal, dan melakukan tugas terkait orientasi. Akan ada repositori data terdesentralisasi dengan kesadaran keamanan dan kepemilikan yang tinggi. Pasien akan sepenuhnya memiliki data mereka dan membagikannya dengan dokter sesuai persyaratan mereka.
3. Pada gelombang ketiga , uji coba akan dilakukan tanpa risiko bagi pasien, karena algoritme AI akan memodelkan hasil klinis. Uji klinis yang sepenuhnya otomatis dengan kecerdasan buatan masih jauh di masa depan, tetapi kami telah menyaksikan upaya pengujian in vitro berbasis AI.

Sebuah perusahaan biotek yang mengkhususkan diri dalam teknologi organ-on-a-chip menjangkau ITRex untuk membantu membangun platform untuk pemodelan penyakit in vitro dan pengujian obat sebagai bagian dari uji klinis. Teknologi ini mengandalkan chip dengan sel mikofluida yang meniru organ manusia. Tim kami membantu mengembangkan perangkat lunak IoT tertanam untuk platform organ-on-a-chip, dan perangkat lunak front-end dan back-end untuk desain uji coba, manajemen, dan analitik data.

Solusi AI uji klinis inovatif yang dihasilkan diadopsi oleh lebih dari 100 laboratorium, termasuk perusahaan farmasi AS teratas, dan membantu mereka mempercepat pengembangan obat dan mengurangi biaya.

Bahkan jika beberapa prediksi oleh Accenture tampak futuristik, Anda sudah dapat mulai memasukkan kecerdasan buatan dalam uji klinis hari ini. Anda dapat beralih ke AI untuk perusahaan konsultan uji klinis untuk merampingkan perekrutan pasien, memantau kepatuhan, menganalisis dan memvisualisasikan data klinis, dan membuat pasien nyaman dengan pemantauan internal berkat perangkat yang dapat dikenakan.

Selain itu, Anda dapat menerapkan AI untuk mengotomatiskan pemeliharaan bahan biologis yang digunakan selama uji coba. Solusi AI semacam itu dapat dilatih untuk membuat keputusan berdasarkan informasi tentang bagaimana dan kapan harus membagi sel, misalnya. Ini menunjukkan bahwa keterlibatan AI dalam uji klinis tidak terbatas pada aplikasi yang disebutkan dalam artikel ini. Jika Anda memiliki sesuatu yang berbeda dalam pikiran, jangan ragu untuk menghubungi.

Senang dengan prospek mempercepat uji klinis Anda dengan AI? Beri kami garis! Tim kami akan membantu Anda membangun/menerapkan perangkat wearable yang terhubung untuk mengumpulkan data pasien, dan mengimplementasikan alat analitik bertenaga AI untuk memproses dan memvisualisasikannya.

Awalnya diterbitkan di https://itrexgroup.com pada 12 Agustus 2022.