Klinik Araştırmalarda Yapay Zeka Kullanımı Neden Yeni Normal Haline Geldi?
Yayınlanan: 2022-08-171994 yılında, Dr. Kevin Hughes ve meslektaşları, yaşlı kadınlarda erken evre meme kanseri tedavisini test etmek istediler. ABD'de her yıl yaklaşık 40.000 kadın bu denemeye hak kazanabilse de, Hughes ve ekibinin 636 katılımcıyı işe alması beş yıl sürdü.
Bir süre sonra Mayo Clinic, meme kanserini içeren başka bir çalışma planlıyordu. Araştırmacılar, yapay zeka (AI) destekli klinik deney hasta eşleştirmesi için IBM'in Watson'ına güvendiler ve aylık kayıtlarda %80'lik bir artış bildirdiler. Dr. Hughes'un böyle bir teknolojiye erişimi olsaydı, yeterince katılımcıyı daha önce işe alırdı.
Günümüzde ilaç şirketleri, klinik çalışmalarının planlanmasını ve yürütülmesini kolaylaştırmak için sağlık hizmetleri AI geliştirme hizmetlerinden yararlanmaktadır. Küresel yapay zeka tabanlı klinik deneyler çözüm sağlayıcı pazarı yükselişte. 2021'de 1,3 milyar dolar değerindeydi ve 2022'den 2030'a kadar %22'lik bir CAGR'de büyümesi bekleniyor.
Peki yapay zeka, klinik deneylere fayda sağlamak için başka ne yapabilir? Ve kuruluşunuz teknolojinin uygulanmasına giden yolda ne gibi zorluklar bekleyebilir?
İlaç neden klinik araştırmalara yeni bir yaklaşıma ihtiyaç duyuyor?
Araştırmalar, yeni ilaçların klinik denemelerinin ortalama dokuz yıl sürdüğünü ve yürütülmesinin yaklaşık 1,3 milyar dolara mal olduğunu gösteriyor. Başarısız klinik denemelerin maliyeti ise 800 milyon dolar ile 1.4 milyar dolar arasında değişiyor. Ve tüm ilaçların %90'ının klinik deneylerde başarısız olması sadece konuyu karmaşıklaştırıyor.
Geleneksel klinik deneylerde, doktorlar ve araştırmacılar katılımcıları manuel olarak ararlar ve hastaların kaydolmak ve değerlendirmeye girmek için fiziksel olarak hazır bulunmaları gerekir. Tedavi ayrıca programlı ziyaretler yoluyla yerinde gerçekleşir. Bu, yeni çözümler geliştirmek için güvenli bir yaklaşım olmaya devam ediyor. Bununla birlikte, yavaştır ve karmaşık tedavileri oluşturmak ve genellikle heterojen olan daha küçük popülasyon segmentlerinin ihtiyaçlarını karşılamak için gereken esneklikten yoksundur.
Ek olarak, bu yaklaşımın hastanelerden, araştırma merkezlerinden, özel muayenehanelerden ve hasta evlerinden gelen verileri entegre etme ve işleme kapasitesi yoktur. Araştırmacılar, katılımcı alımı ile mücadele edecek ve hastalardan sistematik durum incelemeleri ve izleme için deneme alanlarını ziyaret etmelerini isteyecek ve bu da hastayı bırakma şansını artırabilecektir.
Yapay zeka ve alt türleri bu sorunların çözülmesine yardımcı olabilir.
Yapay zeka klinik deneyleri nasıl modernize edebilir?
AI, elektronik sağlık kayıtları (EHR'ler), araştırma makaleleri, geçmiş klinik deneme bilgileri ve özel tıbbi vaka çalışmaları dahil olmak üzere birden fazla kaynaktan gelen verileri entegre edebilir. Ayrıca kişisel tıbbi cihazlardan gelen sürekli veri akışını da yönetebilir.
AI güdümlü klinik deney teknolojisi, tüm bu bilgileri klinisyenlerin belirli bir hastalığı ve farklı kimyasal bileşiklerin ona karşı koyma potansiyelini anlamasına yardımcı olacak şekilde toplayabilir, temizleyebilir, işleyebilir, yönetebilir ve görselleştirebilir. Sağlık hizmetlerinde tahmine dayalı analitik, hastaların önerilen çözümlere nasıl tepki verebileceğini öngörmeye yardımcı olurken.
Tüm bu bilgilerden elde edilen içgörülere zamanında erişim sağlamak, araştırmacıların daha bilinçli kararlar almalarını hızlandıracaktır. AI'nın klinik denemelerin farklı yönlerinden nasıl yararlanabileceği aşağıda açıklanmıştır.
Klinik çalışmalarda yapay zeka: en iyi 5 uygulama
Yapay zekanın sağlık sektöründe birçok faydası bulunmaktadır. Örneğin, pandemi vurduğundan beri eczacılar, potansiyel COVID-19 aşı adaylarının klinik denemelerini hızlandırmak için yapay zekayı yaygın olarak kullandılar.
Klinik deneylerde yapay zekanın beş ana uygulaması vardır. Teknoloji:
- Klinik deneylerin tasarlanmasına yardımcı olur
- Katılımcı alımını kolaylaştırır
- Deneme yeri seçimini destekler
- Katılımcıların bağlılığını izler
- Klinik deney verilerinin toplanması ve analizine yardımcı olur
1. Yapay zeka, klinik deneylerin tasarlanmasına yardımcı olur
Araştırmalar, zayıf klinik deney tasarımının, potansiyel olarak etkili bir ilacın etkinlik göstermesini engelleyebileceğini ve bu ilacı geliştirmek için harcanan tüm kaynakları boşa harcadığını gösteriyor.
Ancak, ilaç şirketlerinin %80'i yapılandırılmamış ve analiz edilmesi zor olan büyük miktarda veriyi incelemesi gerektiğinden, klinik araştırmaları tasarlamak zordur. Klinik deneyler için yapay zeka, tüm bu verileri toplamaya ve işlemeye ve faydalı modeller bulmaya yardımcı olabilir. Örneğin, araştırmanın yapıldığı ülkeye uygun doğru düzenleyici protokolleri, stratejileri ve hasta kayıt modellerini türetebilir. AI, çalışmayı yürütmek için en iyi zamanlamanın belirlenmesine de yardımcı olabilir.
Bu, daha az protokol değişikliği, hasta bırakma ve düzenleyici ihlallerle karşılaşılmasına neden olacaktır. Tufts İlaç Geliştirme Araştırmaları Merkezi, önemli bir protokol değişikliğinin bir denemeyi üç ay uzatabileceğini ve denemenin aşamasına bağlı olarak 140.000 ila 530.000 dolar arasında bir maliyete sahip olduğunu buldu.
2. Yapay zeka, klinik deneylerde katılımcı alımını kolaylaştırır
Klinik deneyleri engelleyen hastayla ilgili üç ana konu vardır.
1. Aday hasta araştırması
Geleneksel olarak, hastalar ilgili deneyleri doktorlarından duyabilir veya ulusal ABD klinik araştırma kaydı gibi ilgili bir veri tabanında arama yapabilir. Bu kaynaklar yeterli değil, çünkü doktorlar devam eden tüm denemelerin farkında değiller ve hastalar, özellikle son teşhisleri göz önüne alındığında, hükümet web sitelerinde gezinmeyi çok zor bulabilir.
AI ile klinik denemeleri geliştirmek, bu belirli deneme için doğru bireyleri belirlemek için hasta özelliklerini çalışmanın uygunluk kriterleriyle karşılaştırmak için EHR ve tıbbi görüntüleme gibi hasta verilerinin gözden geçirilmesine olanak tanır. AI, geleneksel yöntemlerle zorlayıcı olan homojen bir katılımcı grubu seçecek kadar güçlüdür.
Bir yapay zeka girişimi Deep Lens, hastaları denemelere almak için geniş onkoloji çalışmaları veritabanını kullanıyor. Başlangıç, yeni kanser teşhisi konan kişileri eşleştirebilir ve denemelere kaydolmalarını hızlandırabilir. Kaliforniya merkezli bir kişisel genetik şirketi olan 23andMe, müşterilerine genetik yapılarına dayalı olarak klinik çalışmalar önermektedir.
2. Hasta bırakma
Araştırmalar, katılımcıların yaklaşık %30'unun klinik deneyleri bırakma eğiliminde olduğunu gösteriyor. Bu, çalışmayı tamamlamak için gereken harcama ve zamanın artmasına neden olur. Klinik bir deneme için bir hastayı işe almak ortalama 6.500 $'a mal olurken, deneme halihazırda devam ederken bir hastayı değiştirmek daha da pahalıya mal oluyor. Bu iki sorunu da titiz bir hasta seçimi ile çözebiliriz.
Yukarıdaki bir önceki noktada bahsedildiği gibi, AI hasta verilerini araştırır ve çalışmanın kabul kriterlerinin ötesine geçerek gelecekteki terkleri en aza indirebilir.
3. Hasta değerlendirmesi
Aday katılımcıların, fiziksel varlıklarını gerektiren dahil edilme kriterlerini karşıladıklarından emin olmak için değerlendirmelerden geçmeleri gerekir. Ve konumlarına ve iş esnekliklerine bağlı olarak, denemenin tesislerini ayrılan zamanda ziyaret edemeyebilirler. AI, giyilebilir teknoloji dağıtımını kolaylaştırabilir ve hastaların evde bazı değerlendirmeler yapmasına olanak tanır. Ardından, makine öğrenimi algoritmaları verileri toplayabilir ve analiz edebilir.
Örneğin, tıbbi bir girişim olan TytoCare, hastaların akciğerlerinden, kalplerinden, derilerinden, boğazlarından vb. ölçümleri alıp klinisyenlere göndermelerini sağlayan bağlantılı muayene araçları ve temeldeki mobil uygulamalar sunar.
3. AI, klinik deney yeri seçimini destekler
AI, farklı coğrafi konumlardaki mevcut doktorlar, hastalar ve iklim koşulları hakkındaki verileri analiz edebilir ve bir harita üzerinde görselleştirebilir, bu da ilaç şirketlerinin en büyük potansiyele sahip bir araştırmacı sitesi seçmesine yardımcı olur.
Yer seçiminde yapay zeka kullanımına bir örnek Innoplexus'tan geliyor. Bu klinik deneyler AI şirketi, ilaç firmalarının Clinical Trial Comparator teknolojisi ile çalışmaları tasarlamasına ve hazırlamasına yardımcı olur. Rakip klinik araştırmalara, coğrafyaya ve aday popülasyona yakınlık dahil olmak üzere ileriye dönük klinik araştırmalar için sitelere öncelik verilmesine yardımcı olan bilgileri görselleştirmek için panolar sunar. Innoplexus ayrıca, müşterilerinin üçüncü taraf verilerini entegre etmesine ve kendi site seçim kriterleri için eşikler ve metrikler belirlemesine olanak tanıyan filtrelere sahip, özelleştirilmiş bir AI destekli gösterge panosu da geliştirdi.
4. Yapay zeka, klinik araştırmalarda katılımcı bağlılığını izler
İlaç uyumsuzluğu oldukça yaygındır. Araştırmalar, Amerikalıların %50'sinin uzun süreli kronik ilaçlarını talimatlara göre almadığını gösteriyor. Ve Dünya Sağlık Örgütü'ne göre, ilaca uyum, tedavinin kendisinden bile daha büyük bir etkiye sahip olabilir.
Klinik deneylerde, ilaç uyumunu manuel olarak izleme süreci, hastaların hafızasına dayandığından hataya açıktır. Ve doktorlar genellikle bilgi kaybına yol açabilecek kalem ve kağıt gibi güvenilmez kayıt sistemleri kullanırlar.
Giyilebilir cihazları klinik deney AI ile birlikte dağıtmak, araştırmacıların hastaların manuel raporlarını beklemek yerine otomatik veri yakalama yoluyla hastaların eylemlerini izlemesine olanak tanır. Örneğin, önde gelen yapay zeka klinik deney şirketlerinden biri olan AiCure, uyumsuzluk riskindeki hastaları tespit edebilen etkileşimli bir tıbbi asistan geliştirdi. Bu teknoloji aynı zamanda hastaların, gerçekten yaptıklarının bir kanıtı olarak bir hapı yutarken kendilerinin bir videosunu çekmelerine olanak tanır. Asistan, sorumlu doktora bağlılığı teyit ederek doğru hastayı ve hapı belirleyebilir.
Optimize.health, hastaları motive etmek ve uyumu teşvik etmek için bir mobil uygulama tarafından desteklenen akıllı bir ilaç şişesi oluşturdu. Bu teknoloji, hastalara ilaç alma zamanı geldiğini hatırlatır, dozlarını takip eder ve eğitim materyalleri sağlar. Ayrıca hasta geri bildirimlerini bildirmek için klinisyenler ile iletişim kurabilir.
5. AI, klinik deney verilerinin toplanmasına ve analizine yardımcı olur
Klinik deneyler çok büyük miktarda veri tüketir ve üretir. Her katılımcı, uyum verileri, yaşamsal belirtiler ve diğer ara geri bildirimler gibi aşırı bilgi üretecektir. AI, bunları toplayabilir, analiz edebilir ve klinisyenlere okunabilir bir biçimde sunabilir.
Ayrıca tıbbi IoT cihazları ve Vücutların İnterneti sayesinde klinisyenler hastaları evlerinde gerçek zamanlı olarak izleyebilirler. Bu, günlük olarak büyük miktarda verinin işlenmesi anlamına gelir. AI bu görevi üstlenebilir ve hastaların durumundaki herhangi bir kötüleşmeyi tespit edip rapor ederek hastanın iyiliğini garanti eder ve hastayı bırakmaları en aza indirir.
Bir başka ilginç fayda, makine öğrenimi algoritmalarının, daha fazla araştırmayı hak eden bir iz içindeki hasta gruplarını tanımlayabilmesidir. Örneğin, deneme beklenen sonuçları vermiyorsa, AI, araştırılan ilaçtan veya alt denemeler için tedaviden fayda sağlayan belirli koşullara sahip katılımcıları belirleyebilir.
Yapay zekayı klinik deneylerde kullanmanın zorlukları hakkında birkaç söz
Tıbbi verilerde birlikte çalışabilirlik eksikliği
Tıbbi verilerin birleştirilmesine yönelik çabalara rağmen, hala birden fazla sağlık hizmeti BT standardı vardır ve sağlık verilerinin birlikte çalışabilirliği hala bir zorluktur. Bu, farklı EHR yazılımı kullanan tıbbi kuruluşlardan alınan hasta bilgilerinin entegre edilmesini zorlaştırır. Bazı doktorların hala el yazısı notlara güvendiğinden bahsetmiyorum bile.
Yapay zekanın operasyonları birlikte çalışabilirlik eksikliği nedeniyle engellense de, teknoloji bu sorunun üstesinden gelinmesine de yardımcı olabilir. Doğal dil işleme (NLP) tabanlı modeller, çeşitli heterojen kaynaklardan semptomlar ve teşhisler gibi klinik verileri çıkarabilir ve sağlık kayıtlarını ve diğer kaynakları normalleştirmek yerine bu bilgileri araştırma veritabanında toplayabilir.
Bir örnek, çeşitli EHR sistemlerini ayrıştırmak için NLP kullanan Deep 6 AI'dır. Şirket, en son bağış toplamasında 140 milyon dolar değerindeydi.
Bununla birlikte, doktorların aynı kavramı ifade etmek için kullandıkları birleşik bir terminoloji olmadığı için NLP algoritmalarının işi o kadar basit değildir. Örneğin, bazı doktorlar kalp krizini "miyokard enfarktüsü" veya "miyokard enfarktüsü" olarak adlandırırken, bazıları sadece "MI" not eder. Bu nedenle, klinik deney AI modellerinin tüm bu varyasyonları tanıyacak şekilde donatılması gerekir.
AI ile ilgili zorluklar
AI, uygulandığı her alana getirdiği kendine özgü zorluklara sahiptir. AI hakkında daha fazla bilgi edinmek istiyorsanız, AI uygulama zorlukları ve ne kadar AI maliyeti hakkındaki son makalemize göz atın.
Yapay zekanın klinik deneylere getirdiği en alakalı zorluklardan ikisi:
Makine öğrenimi algoritmalarını eğitmek
Şu anda, klinik deneylerde kullanılan yapay zeka modellerini eğitmek için gereken manuel veri açıklama süreci için güvenilir, tam otomatik bir alternatif yok. Bu görev zaman alıcıdır ve sonuçlar genellikle bireysel sağlık hizmeti sağlayıcılarına veya belirli hastalıklara göre uyarlanır.
Columbia Üniversitesi Biyomedikal Bilişim Uzmanı Noemie Elhadad, eğitimli NLP modellerinin sınırlı yeniden kullanılabilirliğini vurgulayarak, “Şu anda, herhangi bir doktordan yazılmış herhangi bir klinik notu alan ve notların ne dediğini anlayabilen bir NLP motoru diye bir şey yok” dedi. .
AI yanlılığı ve sürekli değerlendirmelerin gerekliliği
Modelin genellenebilirliği eğitim sırasında gördüğü çeşitliliğe bağlı olduğundan, eğitim veri kümesi gerçek popülasyonu temsil etmiyorsa AI önyargı geliştirebilir. Örneğin, uygun olmayan şekilde eğitilmiş modeller, klinik deneyler için saha önerilerini çarpıtabilir veya daha koyu ten rengine sahip hastalarda düşük performans gösterebilir.
İyi eğitilmiş algoritmalar bile iş başında öğrenmeye devam ederken yanlılık kazanabilir. Bu nedenle, uygunsuz davranışların yakalanması ve ortadan kaldırılması için zamanında bağımsız denetimlerin yapılması önemlidir.
Massachusetts Teknoloji Enstitüsü Baş Araştırma Bilimcisi Dr Leo Anthony Celi, “AI, sürekli olarak ayarlanması ve yeniden ayarlanması gereken yaşayan bir tıbbi üründür” diyor. Klinik deneylerdeki yapay zeka ve makine öğreniminin, teknolojinin birlikte kullanıldığı tıbbi cihazlardan bağımsız olarak ayrı bir ürün olarak görülmesi gerektiğine inanıyor. Bu nedenle, yapay zeka destekli çözümler bağımsız ve sık sık değerlendirilmelidir.
Yapay zeka destekli klinik denemelerin geleceği
Accenture, geleneksel klinik deneylerde, bazılarının olgunlaşması uzun zaman alacak olan üç gelişme dalgası öngörüyor.
- İlk dalga , artırılmış gerçeklik (AR) gibi gelişen teknoloji ve AI'nın sürdürülmesine ve analiz edilmesine yardımcı olacak gerçek zamanlı hasta verilerine erişim nedeniyle denemelerin etkinliğinde önemli bir gelişme getirecektir. AR'nin sağlık sektöründe halihazırda birçok uygulaması var ve danışmanlık firması özellikle hasta uyumunun izlenmesinde AR ve VR kullanımı konusunda umutlu.
- İkinci dalga , izlerin sanal hale geleceğini ima ediyor. Bu, araştırmacıların hastaları işe almak, uygunluklarını kontrol etmek, resmi onay almak ve işe alımla ilgili görevleri gerçekleştirmek için AI destekli dijital aracılara güvenebilecekleri anlamına gelir. Yüksek güvenlik ve sahiplik bilincine sahip merkezi olmayan veri havuzları olacaktır. Hastalar verilerinin tamamına sahip olacak ve kendi şartlarına göre klinisyenler ile paylaşacaktır.
- Üçüncü dalgada , yapay zeka algoritmaları klinik sonuçları modelleyeceğinden, denemeler hastalar için herhangi bir risk olmadan yürütülecek. Yapay zeka ile klinik denemeleri tamamen otomatik hale getirmek hala çok uzak bir gelecekte, ancak şimdiden yapay zeka tabanlı in vitro test girişimlerine tanık olduk.
Çip üzerinde organ teknolojisinde uzmanlaşmış bir biyoteknoloji şirketi, klinik deneylerin bir parçası olarak in vitro hastalık modellemesi ve ilaç testi için bir platform oluşturmaya yardımcı olmak üzere ITRex'e ulaştı. Bu teknoloji, insan organlarını taklit eden mikroakışkan hücrelere sahip çiplere dayanıyor. Ekibimiz, çip üzerinde organ platformu için yerleşik IoT yazılımının ve deneme tasarımı, yönetimi ve veri analitiği için ön uç ve arka uç yazılımların geliştirilmesine yardımcı oldu.
Ortaya çıkan yenilikçi klinik deneyler AI çözümü, ABD'nin önde gelen ilaç şirketleri de dahil olmak üzere 100'den fazla laboratuvar tarafından benimsendi ve ilaç geliştirmeyi hızlandırmalarına ve maliyetleri düşürmelerine yardımcı oldu.
Accenture'ın bazı tahminleri fütüristik görünse bile, bugün klinik deneylere yapay zekayı dahil etmeye başlayabilirsiniz. Hasta alımını kolaylaştırmak, uyumu izlemek, klinik verileri analiz etmek ve görselleştirmek ve giyilebilir cihazlar sayesinde hastaları şirket içi izleme ile rahat ettirmek için klinik deney danışmanlığı şirketlerine yönelik yapay zekaya başvurabilirsiniz.
Ayrıca, denemeler sırasında kullanılan biyolojik malzemelerin bakımını otomatikleştirmek için yapay zekayı dağıtabilirsiniz. Bu tür AI çözümleri, örneğin hücrelerin nasıl ve ne zaman bölüneceği konusunda bilinçli kararlar vermek için eğitilebilir. Bu, AI'nın klinik araştırmalara katılımının bu makalede bahsedilen uygulamalarla sınırlı olmadığını göstermektedir. Aklınızda farklı bir şey varsa, ulaşmaktan çekinmeyin.
Yapay zeka ile klinik denemelerinizi hızlandırma olasılığı sizi heyecanlandırıyor mu? Bize bir satır bırakın! Ekibimiz, hasta verilerini toplamak için bağlı giyilebilir cihazlar oluşturmanıza/dağıtmanıza ve bunları işlemek ve görselleştirmek için yapay zeka destekli analitik araçları uygulamanıza yardımcı olacaktır.
İlk olarak 12 Ağustos 2022'de https://itrexgroup.com'da yayınlandı.