I en recension publicerad 17 juli i tidskriften Trender inom farmakologiska vetenskaper , forskare undersökte hur artificiell intelligens (AI) kan påverka läkemedelsutvecklingen under det kommande decenniet.

Stora läkemedelsutvecklare och andra läkemedelsutvecklare brottas med ett dilemma:eran med storsäljande läkemedel närmar sig sitt slut. På samma gång, att lägga till nya läkemedel till sina portföljer är långsamt och dyrt. Det tar i genomsnitt 10-15 år och 1,5-2 miljarder dollar att få ut ett nytt läkemedel på marknaden; ungefär hälften av denna tid och investeringar ägnas åt kliniska prövningar.

Även om AI ännu inte har haft någon betydande inverkan på kliniska prövningar, AI-baserade modeller hjälper testdesign, AI-baserade tekniker används för patientrekrytering, och AI-baserade övervakningssystem syftar till att öka studieföljsamheten och minska antalet avhopp.

"AI är inte en magisk kula och är mycket ett pågående arbete, ändå har det mycket löfte för framtiden för sjukvård och läkemedelsutveckling, " säger huvudförfattaren och datavetaren Stefan Harrer, en forskare vid IBM Research-Australia.

Som en del av granskningen och baserat på deras forskning, Harrer och kollegor rapporterade att AI potentiellt kan öka framgångsfrekvensen för kliniska prövningar genom att:

• Effektiv mätning av biomarkörer som återspeglar effektiviteten hos läkemedlet som testas
• Identifiera och karakterisera patientsubpopulationer som är bäst lämpade för specifika läkemedel. Mindre än en tredjedel av alla fas II-föreningar går vidare till fas III, och en av tre fas III-studier misslyckas – inte för att läkemedlet är ineffektivt eller farligt, utan för att rättegången saknar tillräckligt med patienter eller rätt sorts patienter.
• Nystartade företag, stora företag, tillsynsorgan, och alla regeringar undersöker och driver användningen av AI för att förbättra designen av kliniska prövningar, säger Harrer. "Vad vi ser vid denna tidpunkt är övervägande i ett tidigt stadium, bevis på koncept, och genomförbarhetspilotstudier som visar den höga potentialen hos många AI-tekniker för att förbättra prestandan för kliniska prövningar, " säger Harrer.

Författarna identifierar också flera områden som visar det mest verkliga löftet om AI för patienter. Till exempel:

• AI-aktiverade system kan ge patienter mer åtkomst till och kontroll över sina personuppgifter.
• Coachning via AI-baserade appar kan förekomma före och under tester.
• AI kunde övervaka individuella patienters efterlevnad av protokoll kontinuerligt i realtid.
• AI-tekniker skulle kunna hjälpa patienter att gå till prövningar som de kanske inte var medvetna om
• Särskilt, Harrer säger, användningen av AI i precisionsmedicinska metoder, som att tillämpa teknik för att avancera hur effektivt och exakt proffs kan diagnostisera, behandla och hantera neurologiska sjukdomar, är lovande. "AI kan ha en djupgående inverkan på att förbättra patientövervakningen före och under neurologiska prövningar, " han säger.

Granskningen utvärderade också de potentiella konsekvenserna för läkemedel, som inkluderade:

• Algoritmer för datorseende som potentiellt skulle kunna peka ut relevanta patientpopulationer genom en rad indata från handskrivna formulär till digitala medicinska bilder.
• Tillämpningar av AI-analys på misslyckade kliniska prövningsdata för att avslöja insikter för framtida prövningsdesign.
• Användningen av AI-funktioner som Machine Learning (ML), Deep Learning (DL), och Natural Language Processing (NLP) för att korrelera stora och olika datamängder såsom elektroniska hälsojournaler, medicinsk litteratur, och prövningsdatabaser för att hjälpa läkemedel att förbättra prövningsdesignen, matchning mellan patient och prövning, och rekrytering, samt för att övervaka patienter under försök.

Författarna identifierade också flera viktiga takeaways för forskare:

• "Health AI" är ett växande område som kopplar samman medicin, pharma, datavetenskap och teknik.
• Nästa generation av hälsorelaterade AI-experter kommer att behöva ett brett utbud av kunskap inom analys, algoritmkodning och teknologiintegration.
• Pågående arbete behövs för att bedöma datasekretess, säkerhet och tillgänglighet, samt etiken för att tillämpa AI-tekniker på känslig medicinsk information.

Eftersom AI-metoder bara har börjat tillämpas på kliniska prövningar under de senaste 5 till 8 åren, det kommer sannolikt att dröja ytterligare flera år i en typisk 10- till 15-årig läkemedelsutvecklingscykel innan AI:s inverkan kan bedömas korrekt.

Sålänge, rigorös forskning och utveckling är nödvändig för att säkerställa livskraften för dessa innovationer, säger Harrer. "Större ytterligare arbete är nödvändigt innan den AI som demonstrerats i pilotstudier kan integreras i klinisk prövningsdesign, ", säger han. "Alla brott mot forskningsprotokoll eller för tidig inställning av orimliga förväntningar kan leda till en undergrävning av förtroendet - och i slutändan framgången för AI i den kliniska sektorn."