Искусственный интеллект в открытии и разработке лекарственных средств

Искусственный интеллект в разработке лекарств

Начальный этап исследований и разработок в  процессе разработки лекарственных препаратов  длится до шести лет. В то время как следующий этап клинических испытаний, в среднем, занимает более пяти лет. За это время лишь 10 из 10 000 первоначально протестированных кандидатов на новые лекарственные препараты доходят до стадии клинических испытаний. В целом, по завершении этого длительного процесса разработки лекарственных препаратов лишь один из десяти медицинских препаратов, прошедших клинические испытания, получает окончательное одобрение регулирующих органов для применения у пациентов.

По данным Управления по контролю за продуктами питания и лекарственными средствами США (FDA), около 33 процентов лекарственных препаратов переходят из фазы II в фазу III, а около 25–30 процентов — из фазы III в следующую фазу (Deloitte, дата не указана).

Почему открытие новых молекул занимает так много времени?

Разработка лекарственных препаратов – это дорогостоящий, длительный и постепенный процесс, который начинается с поиска успешной молекулы и завершается созданием новой молекулярной структуры. Главная цель – найти активную частицу, которая, в конечном счёте, должна воздействовать на организм человека, а также доказать её качество, чистоту и эффективность в лечении пациентов. Вышеуказанные критерии гарантируют, что новые лекарственные препараты, одобренные регулирующими органами, улучшают качество жизни пациентов не только за счёт лечения их заболеваний, но и за счёт предотвращения возникновения других проблем, таких как побочные реакции.

В целом, согласно отчёту FDA, от открытия нового препарата до его появления у пациентов проходит более десяти лет. Этот экспериментальный процесс поиска целевой лекарственной формы, начинающийся в лабораторных условиях и заканчивающийся на аптечном прилавке, стоит более 20 миллиардов долларов США. Эти огромные инвестиции в основном осуществляются компаниями из США и ЕС. Пятая часть этих средств направляется на скрининговые исследования и тестирование токсичности новых потенциальных лекарственных препаратов.

Препятствия к открытию лекарств

Помимо затрат, регулирующие барьеры стали вызывать беспокойство, что приводит к высокому уровню неудач при выборе новых кандидатов на лекарственные препараты. Неудивительно, что, несмотря на рост затрат на разработку, количество недавно одобренных препаратов постоянно сокращается в течение довольно длительного времени. Эта тенденция к росту стоимости разработки лекарств, их тестирования in vivo и сложному регулированию процесса одобрения создает растущую проблему как для фармацевтической промышленности, так и для пациентов, ожидающих появления новых лекарств для улучшения качества жизни. Полезно рассмотреть, как неиспользованные достижения, в частности, полезные знания в области разработки лекарств, наряду с геномикой, протеомикой и смежной областью токсикогеномики, могут способствовать ускорению разработки лекарств и повышению их эффективности (Kraljevic et al., 2004, #).

Стоимость и сроки разработки нового метода лечения будут пересмотрены благодаря ИИ

По оценкам, приблизительная стоимость разработки нового препарата превышает 2,5 миллиарда долларов США. Поскольку деньги тратятся на разработку девяти из десяти новых препаратов-кандидатов, которые не могут пройти стадию между первой фазой клинических испытаний и одобрением регулирующими органами, значительная их часть фактически выбрасывается на ветер. Удивительно, но лишь немногие в отрасли сомневаются в важности иного подхода.

Если исследователи, поддерживающие эти подходы, правы,  искусственный интеллект и машинное обучение  могут положить начало эпохе более быстрой, экономически эффективной и успешной разработки лекарств. Некоторые сомневаются в этом, но большинство исследователей считают, что эти методы станут ещё более актуальными в будущем. Этот переход сталкивает учёных как с трудностями, так и с возможностями, особенно когда решения сочетаются с компьютеризацией и роботизацией (Fleming, 2018).

Создание ценности из гор данных

Научный прогресс основан на данных, но  большие данные  создают трудности для специалистов по данным. Как показывает новый отчет Института IBM по ценности бизнеса (IBM Institute for Business Value), 84% компаний в области естественных наук получают выгоду от структурированных и неструктурированных данных. Исследователи не успевают следить за профессиональными статьями, патентами и другими неструктурированными данными, относящимися к их областям. Поэтому они не учитывают другие научные открытия, которые могут улучшить или дополнить результаты их собственных исследований (IBM Institute for Business Value, 2018). Почти 80% медицинских данных остаются неструктурированными и неиспользованными после их создания (Kong, 2019). Большинство медицинских достижений не достигаются изолированно, поэтому рекомендуется объединять знания из разных организаций и областей исследований. ИИ может исследовать большие объемы данных и обладает непревзойденными возможностями для координации и сопоставления данных. Исследователи могут использовать ИИ для поддержки таких задач, как идентификация целей, разработка лекарственных препаратов и их повторное использование в процессе разработки лекарственных средств. ИИ играет важную роль в повышении квалификации ученых, а не в сокращении их рабочих мест. Это связано с тем, что эксперты в предметной области играют решающую роль в определении данных для анализа ИИ, проведении экспертной оценки и сквозной верификации результатов. Традиционные методы разработки лекарственных препаратов позволяют одновременно оценивать лишь ограниченное количество экспериментов или данных, что повышает вероятность систематической ошибки. Однако методы искусственного интеллекта в области поиска и разработки лекарственных препаратов могут помочь исследователям избежать неявной систематической ошибки при использовании только локальных данных. Исследования активных веществ для разработки лекарственных препаратов также позволяют проводить новые тесты, которые невозможно провести традиционными методами (IBM Institute for Business Value, 2018).

Источник: Центр фармацевтической аналитики GlobalData

Приложения ИИ становятся критически важными для открытия новых лекарств

Разработка и открытие новых лекарственных препаратов ускорились благодаря развитию компьютерных технологий. Искусственный интеллект широко используется во многих отраслях промышленности и в академической сфере. Хотя машинное обучение является ключевым компонентом ИИ, оно нашло применение в различных областях, включая создание и анализ данных. Алгоритмические методы, такие как машинное обучение, включают в себя множество математических и вычислительных теорий.

Многочисленные перспективные инновации, такие как глубокое обучение, помогли в разработке беспилотных автомобилей, ускорили методологии, которые позволили распознавать и переводить устную речь в текст, и помогли с машинами опорных векторов, которые можно определить как модели контролируемого обучения с соответствующими алгоритмами обучения, которые анализируют данные для классификации и регрессионного анализа (машина опорных векторов, nd).

Это изменение обеспечило успех борьбы с болезнями, но высокая стоимость разработки потенциальных лекарственных препаратов создала дополнительную нагрузку на систему здравоохранения. Расходы на открытие и разработку лекарственных препаратов весьма разнообразны и зависят от каждого кандидата, но при этом неуклонно и значительно растут. Ранний поиск лекарственных препаратов включает в себя идентификацию и характеристику мишени, поиск и оптимизацию потенциальных препаратов.

Для разработки и оптимизации соединений-лидеров использовались многочисленные компьютерно-ориентированные стратегии и другие методы, включая молекулярный докинг, моделирование фармакофоров, селекционные леса и сравнительный анализ молекулярных дисциплин. Машинное обучение и глубокое обучение стали привлекательными методами для разработки лекарственных препаратов. Применение алгоритмов машинного обучения и глубокого обучения в разработке лекарственных препаратов не привязано к какому-либо конкретному этапу. Однако их можно использовать на любом этапе этого длительного процесса.

Машинное обучение становится неотъемлемой технологией для поиска и разработки лекарств. Архитектуры платформ ИИ способны обрабатывать огромные объёмы данных, что помогает исследователям в поиске и разработке лекарств, предоставляя им ценную информацию. В следующих разделах мы обсудим несколько архитектур искусственных нейронных сетей, используемых для задач МО, таких как классификация и регрессионный анализ при разработке лекарств. Важно понимать технические особенности каждого подхода, чтобы принять правильное решение для проектов МО.

Алгоритмы машинного обучения и глубокого обучения могут участвовать в каждой итеративной фазе, например, путем протеомного анализа при обнаружении целевых молекул, обнаружения малых молекул в качестве кандидатов при обнаружении лидов, разработки количественных моделей взаимосвязи структуры и активности для оптимизации структуры лидов с целью повышения биологической активности и анализа результатов массовых анализов.

Методы глубокого обучения (ГО)

Практически в каждой области науки и техники алгоритмы глубокого обучения рассматриваются как одно из передовых направлений исследований и разработок. Алгоритмы глубокого обучения позволяют вычислительным моделям запоминать и осваивать представление многомерной информации посредством абстракции. Глубокое обучение решает множество задач, с которыми сталкиваются стандартные алгоритмы машинного обучения, включая распознавание изображений и речи. В процессе разработки лекарственных препаратов метод глубокого обучения стал образцовым методом прогнозирования активности лекарств, таргетирования и обнаружения базовых молекул, являющихся новыми кандидатами на лекарственные препараты. В основе глубокого обучения лежит широкое использование нейронных сетей (ННС), которые используются для создания систем, способных идентифицировать, преобразовывать и генерировать сложные данные (Patel et al., nd).

Искусственные нейронные сети (ИНС)

Глубокое обучение — это разновидность алгоритма машинного обучения, анализирующего представления данных с помощью искусственных нейронных сетей с несколькими слоями нелинейных вычислительных блоков. Фундаментальная структура современной ИНС напоминает структуру человеческого мозга. ИНС состоит из трёх простых слоёв: входного, скрытого и выходного. Узлы, также называемые нейронами, в соседних слоях связаны полностью или частично в зависимости от ИНС. Входные переменные передаются входными узлами, а скрытые узлы преобразуют эти переменные для измерения в выходных узлах. Обучение ИНС осуществляется путём итеративного изменения весовых значений сети для оптимизации расхождений между ожидаемыми и точными значениями, обычно с использованием обобщений алгоритмов обратного распространения ошибки.

Глубокие нейронные сети (DNN)

Первая архитектура нейронной сети (НС) — это полностью связанная глубокая нейронная сеть (ДНС), которая имеет несколько скрытых слоёв и сотни нелинейных обрабатывающих блоков в каждом слое. ДНС могут обрабатывать значительное количество входных данных, а нейроны в различных слоях ДНС способны естественным образом выделять яркие фрагменты на разных уровнях иерархии.

Свёрточные нейронные сети (CNN)

Свёрточная нейронная сеть (СНС) — ещё одна распространённая нейронная сеть, широко используемая для визуального распознавания. Обычно она содержит несколько свёрточных и субдискретизирующих слоёв. Свёрточный слой состоит из набора фильтров (или ядер) с ограниченной областью восприятия и обучаемыми параметрами. Каждый фильтр свёртывается вокруг ширины и высоты входного объёма, вычисляет скалярное произведение входного сигнала фильтра и его поля приёма во входном объёме и создаёт двумерную карту фильтра.

Слой субдискретизации используется для уменьшения оценки карт активации. В результате карты активации интегрируются в слои, где нейроны соседних слоёв связаны с обычной ИНС для передачи выходного значения. Благодаря использованию одинаковых параметров для каждого канала, сверточная нейронная сеть, как правило, уменьшает количество свободных параметров, которые необходимо обучить, что снижает потребление памяти и увеличивает скорость обучения. Она превзошла другие методы машинного обучения в распознавании изображений.

Рекуррентные нейронные сети (RNN)

Другой вариант ИНС — рекуррентная нейронная сеть (РНС). По сравнению с непосредственно управляемой нейронной сетью, связи между нейронами в одном скрытом слое могут образовывать направленный цикл. РНС может принимать последовательные данные в качестве входных атрибутов, что очень удобно для задач, чувствительных ко времени, включая моделирование языка. Используя технологию, называемую долговременной краткосрочной памятью (LSTM), РНС может уменьшить проблему градиентов растворения.

Автоэнкодер (AE)

Следующая 4-я архитектура ANN известна как автоэнкодер (AE). AE может быть NN, используемой для обучения без посторонней помощи. Она имеет элемент кодера, NN, которая ремоделирует данные, полученные из входного слоя, в ограниченное количество скрытых единиц, а затем NN декодера с тем же количеством узлов, что и у входного слоя. Вместо угадывания меток входных случаев, декодерные нейронные сети стремятся воссоздать свои собственные входные данные из меньшего количества скрытых единиц. Целью AE обычно является уменьшение нелинейной  размерности . Принцип AE в последнее время приобрел популярность для обучения генеративных моделей на основе результатов. На графике ниже мы можем увидеть, как эти технологии DL используются в исследованиях по поиску лекарств (Chen, 2018).

Охота за фармпрепаратами с помощью ИИ привлекает внимание крупных фармацевтических компаний

Число компаний ИИ, сосредоточенных на открытии новых лекарств, используя инновационные подходы к глубокому обучению в разработке лекарств и доклинических испытаниях, стремительно растет. Согласно отчету Landscape of AI for Drug Discovery and Advanced R&D Q2 2019, опубликованному DEEP KNOWLEDGE ANALYTICS в июле 2019 года (подразделение фармацевтической аналитики Deep Knowledge Analytics, nd), рынок исследований и разработок в области ИИ состоит из более чем 170 компаний ИИ, 50 корпораций, 400 инвесторов и 35 крупных центров исследований и разработок в различных географических регионах. Эта бурно развивающаяся область новых возможностей в разработке лекарств будет расти с каждым годом, и сегодня ее стоимость превышает 700 миллионов долларов США. Однако многие исследователи прогнозируют, что в ближайшие пять лет рыночная капитализация рынка исследований и разработок в области ИИ увеличится до 20 миллиардов долларов США.

Различные модели использования возможностей ИИ

Наиболее инновационные биофармацевтические организации в настоящее время изучают различные модели использования технологий разработки лекарств на основе ИИ, заключая ряд сделок для получения полного доступа к прорывным инновациям. Крупные игроки не просто приобретают стартапы ради их интеллектуальной собственности. Они также создают специальные внутренние команды, привлекая исследователей ИИ и специалистов по данным, а также формируют партнёрства с технологическими компаниями Кремниевой долины, добиваясь больших успехов во внедрении ИИ в методы разработки лекарств. Хотя пока ещё рано говорить о наиболее эффективном подходе, наблюдается тенденция к внедрению различных решений на основе ИИ на разных уровнях.

Еще одной популярной стратегией превращения решений на основе ИИ в успешный процесс разработки лекарств является сотрудничество с контрактными исследовательскими организациями (КИО), которые легко адаптируются и специализируются на определенных областях, помогая крупным фармацевтическим компаниям быстро двигаться в правильном направлении, однако это сопряжено с расходами, которые необходимо учитывать в постоянно растущих бюджетах на разработку новых лекарств (Deloitte, 2019).

ИИ в разработке лекарств — как к этому подойти?

Необходимы новые методы открытия новых лекарственных препаратов, которые позволят повысить скорость распознавания новых кандидатов на лекарства и одновременно сократить затраты, связанные с ранним открытием ключевых веществ.

Учитывая последние достижения в области машинного обучения, эта область сейчас готова к применению алгоритмических решений для прогнозирования молекулярных свойств с целью выявления новых структурных классов новых кандидатов на лекарственные препараты. Действительно, внедрение методологий, позволяющих проводить ранний поиск лекарственных препаратов преимущественно in silico, позволяет исследовать обширные химические области, недоступные для современных экспериментальных подходов.

Благодаря последним достижениям в области машинного обучения эта область теперь готова к применению алгоритмических решений для прогнозирования молекулярных свойств и выявления новых структурных классов для разработки лекарственных препаратов. Инновационные методологии в этом процессе способствуют ранней идентификации лекарственных препаратов с помощью компьютерного моделирования, что позволяет исследовать обширные химические области, выходящие за рамки современных экспериментальных подходов (Stokes, 2020).

Интеллект в разработке лекарств с использованием различных моделей ИИ

Модели ИИ гораздо более способны, чем люди, находить корреляции в больших объемах данных из различных источников. Сторонники разработки лекарств на основе ИИ утверждают, что такие методы позволяют находить мишени, исследовать и оптимизировать новые препараты и даже разрабатывать лекарства-кандидаты с нуля. Также возможно повысить вероятность эффективных доклинических испытаний, используя ИИ для определения наилучшей модели животных для конкретного заболевания. Согласно опросу Deloitte за 2019 год, 40% стартапов в области разработки лекарств используют ИИ для проверки химических репозиториев на предмет потенциальных лекарств-кандидатов, 28% используют ИИ для поиска новых мишеней для лекарств и 17% используют его для компьютерного молекулярного дизайна (Burki, 2020).

Пример Exscientia

Exscientia известна как глобальная компания, занимающаяся разработкой лекарственных препаратов на основе искусственного интеллекта (ИИ). Компания фокусируется на использовании возможностей оригинального ИИ и практических знаний о том, как исследовать новые лекарственные препараты. В 2020 году Sumitomo Dainippon Pharma и Exscientia объявили о совместной разработке нового препарата-кандидата DSP-1181, отобранного с использованием искусственного интеллекта. В Японии началась первая фаза клинических исследований. Было объявлено, что этот проект стал возможным благодаря сплоченной кооперативной энергии и общей исследовательской базе. Для достижения стадии поисковых исследований потребовалось менее 12 месяцев, в то время как средний срок разработки в отрасли составляет 4,5 года.

Этот новый кандидат на лекарственный препарат, созданный с помощью искусственного интеллекта, в сочетании с глубокими знаниями и опытом в области химии и фармакологии в области открытия лекарств на основе моноаминовых GPCR, может стать первым новым лекарственным препаратом, открытым с помощью ИИ и представленным для лечения обсессивно-компульсивного расстройства.

Прикладной интеллект в разработке лекарств

Exscientia – первая организация, объявившая в 2021 году о начале клинических испытаний первой молекулы для иммуноонкологии, разработанной с помощью ИИ. В настоящее время эта компания, занимающаяся поиском новых лекарств, отвечает за два препарата, разработанных с помощью ИИ, которые проходят клинические испытания на людях. Этот препарат обладает превосходными свойствами высокой селективности к целевым рецепторам. Его потенциальные преимущества заключаются в снижении системных побочных эффектов и минимизации воздействия на мозг, что позволяет избежать возможных психологических побочных эффектов. Это может принести огромную пользу онкологическим больным, которые ждут открытия таких иммуноонкологических препаратов как многообещающих методов лечения, удовлетворяющих их неудовлетворенные потребности (Exscientia, 2021).

Пример использования BenevolentAI

Профиль компании

BenevolentAI — еще одна инновационная фармацевтическая компания, которая использует алгоритмы ИИ для обработки больших объемов базовых исследовательских данных из государственных и частных источников, включая машинное обучение, для улучшения прогнозирования целевых показателей, понимания механизмов заболеваний и выявления новых мишеней для лекарственных препаратов.

BenevolentAI, как и Exscientia, — британская компания, основанная в 2013 году. Она разрабатывает и внедряет технологии искусственного интеллекта (ИИ), чтобы возглавить процесс совершенствования разработки лекарств, начиная от этапа открытия и разработки и заканчивая выводом новых препаратов на рынок. Компания с гордостью заявляет, что создание правильной команды — это искусство. Поэтому они объединяют уникальные навыки более 200 исследователей, таких как биологи, химики, инженеры, специалисты по информатике и специалисты по анализу данных, которые являются пионерами в области прецизионной медицины и разработки лекарств. BenevolentAI имеет офисы во многих местах, со штаб-квартирой в Лондоне и дополнительными офисами в Нью-Йорке. В свою очередь, исследовательская лаборатория находится в Кембридже, Великобритания, — одном из крупнейших в мире биотехнологических центров (Deloitte, 2019).

Технологии и платформы ИИ

Компания BenevolentAI активно разрабатывает препараты для лечения таких заболеваний, как боковой амиотрофический склероз (БАС), болезнь Паркинсона, язвенный колит и саркопения. Компания заключила партнерские соглашения с различными крупными биофармацевтическими компаниями благодаря своему подходу к разработке лекарственных препаратов на основе ИИ и возможностям, охватывающим как ранние исследования, так и поздние стадии разработки. Превосходство компании заключается в Benevolent Platform® — передовой вычислительной и экспериментальной платформе на базе ИИ, которая позволяет исследователям исследовать и находить желаемые свойства новых молекул, а также создавать новые интеллектуальные препараты, персонализируя лекарства для пациентов. Benevolent Platform® фокусируется на трёх основных направлениях: идентификация мишеней, молекулярный дизайн и прецизионная медицина (Deloitte, 2019).

Эффективное сотрудничество

В апреле 2019 года компания BenevolentAI объявила о долгосрочном соглашении с AstraZeneca о разработке новых методов лечения хронической болезни почек (ХБП) и идиопатического легочного фиброза (ИЛФ). Ведущие специалисты по анализу данных и многие другие исследователи обеих компаний будут сотрудничать, чтобы интегрировать геномные, химические и клинические данные AstraZeneca с базой данных BenevolentAI для распознавания целевых объектов и сетью контекстуализированных аналитических данных и их взаимосвязей. Машинное обучение структурирует данные для выявления взаимосвязей между наборами данных, а вывод на основе ИИ используется для экстраполяции ранее неизвестных взаимосвязей. Компании будут сотрудничать, чтобы лучше анализировать полученные результаты, объяснять фундаментальные причины этих сложных заболеваний и быстрее определять новые потенциальные лекарственные препараты.

Компания BenevolentAI заключила рамочное соглашение о сотрудничестве с Novartis Pharma AG в сентябре 2019 года. В этом начальном проекте с Novartis в области онкологии технологии искусственного интеллекта и машинного обучения будут использоваться для стратификации пациентов и более глубокого понимания гетерогенности пациентов и их состояний для более точного подбора лекарственных препаратов. BenevolentAI будет использовать свои технологии для принятия решений на основе данных, выявления новых подходов к лечению заболеваний и персонализации лекарственных препаратов для пациентов в соответствии с условиями соглашения. Платформа Benevolent Platform® использует генетические, клинические и фармакологические данные, а также научную литературу для выявления качественных взаимосвязей между геномами, патогенами, лекарственными препаратами и биологическими путями, что приводит к выявлению новых/оптимальных мишеней для воздействия лекарственных средств. Платформа помогает ученым разрабатывать и оптимизировать оптимальную молекулу лекарственного средства для конкретной группы пациентов.

Достижения

Корпорация намерена использовать возможности ИИ, чтобы поставить пациентов на первое место и ощутимо изменить их жизнь, разработав метод снижения затрат на разработку и производство лекарственных препаратов, снижения уровня отторжения и ускорения доставки лекарств пациентам. BenevolentAI опубликовала множество работ в престижных научных журналах и на всемирно известных конференциях.

Несмотря на ущерб, нанесенный глобальной пандемией и связанными с ней карантинными мерами, компания BenevolentAI добилась значительных результатов в 2020 году. Их исследование COVID-19, начатое в январе 2020 года, привело к выявлению барицитиниба в качестве возможного метода лечения всего за одни выходные. Всего девять месяцев спустя барицитиниб был одобрен Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) как один из немногих препаратов для лечения коронавируса, предназначенных для экстренного применения.

Пример кишечной палочки

В статье, опубликованной в журнале Cell в феврале 2020 года, описывается, как алгоритм глубокого обучения был использован для исследования нового потенциального антибиотика. В связи с резким распространением устойчивых к антибиотикам бактерий поиск новых антибиотиков становится всё более актуальным. Для решения этой проблемы была обучена глубокая нейронная сеть прогнозированию антибактериальных молекул. Учёные хотели создать с нуля обучающий набор данных, который был бы доступным, химически разнообразным и не требовал бы сложного лабораторного оборудования. Это позволило бы реализовать строгую модель прогнозирования новых антибиотиков, избежав при этом реальных сложностей, связанных с масштабным скринингом антибиотиков.

Исследователи обучили нейронную сеть на наборе данных из 2335 специфических соединений, чтобы найти молекулы, ингибирующие развитие Escherichia Coli. Затем они применили модель к библиотеке из 6111 молекул, изучаемых при заболеваниях человека, намереваясь найти эффективные соединения против E. coli. Основываясь на их составе, модель правильно предсказала антибактериальное действие 51 соединения. Одно соединение, в частности, казалось обнадеживающим. Ингибитор N-концевой киназы c-Jun SU3327 обладал бактерицидным действием по отношению к E. Coli. Соединение было селективным против инфекций, вызванных Clostridium difficile и панрезистентным Acinetobacter baumannii, в мышиных моделях (Stokes, 2020, #).

Примеры использования ИИ и источники данных

Платформы ИИ особенно эффективны в следующих областях:

• Прогнозирование возникающих биологических взаимосвязей, таких как «лекарство-мишень», «ген-заболевание», «лекарство-нежелательное явление», «ген-путь» для таких случаев применения, как обнаружение мишени, расширение показаний к применению препарата или прогнозирование токсичности. 
• Оптимизация отбора и стратификации пациентов для клинических исследований, оценка биомаркеров, продолжительность и набор участников — всё это аспекты дизайна клинических исследований. 
• Повышение доверия к современным знаниям и доказательствам, например, оценка достоверности биомедицинских знаний.
• Индивидуализированный уход включает стратификацию пациентов, а также планирование и предоставление соответствующих лекарственных средств соответствующему пациенту.

Платформы ИИ также помогут исследователям интегрировать и создавать ценность из различных источников данных:

• Неструктурированные доказательные или информационные базы, такие как биомедицинская литература, учебники и патенты
• Организованные базы данных лекарственных препаратов, веществ, патогенов, геномных, метаболомных, протеомных и биомаркерных данных с четко определенной классификацией, ориентированной на характеристики или биологические принципы.
• Научные записи формируются на основе неструктурированных и стандартизированных каналов данных, таких как заявки на рецептурные лекарства (Rx), данные электронных медицинских карт, данные клинических испытаний и токсикологические отчеты.
• Визуализация включает в себя радиологические изображения, компьютерную томографию (КТ), магнитно-резонансную томографию, позитронно-эмиссионную томографию (ПЭТ), ПЭТ-КТ, ультразвук, рентгеновские лучи и гистологические изображения клеток и тканей.
• Данные, полученные из вычислительных систем, используемых в обычных артефактах, таких как Интернет вещей.

Применение искусственного интеллекта (ИИ) в различных подотраслях фармацевтической промышленности: от разработки лекарственных препаратов до управления фармацевтической продукцией.

Будущее открытия лекарств

Огромный химический цех, содержащий более 1000 молекул, способствует синтезу значительного количества молекул лекарственных препаратов. С другой стороны, нехватка современных технологий затрудняет процесс разработки новых лекарств, делая его трудоёмкой и дорогостоящей задачей, которую можно решить с помощью ИИ. ИИ будет определять молекулы-хиты и молекулы-лидеры, что позволит быстрее подтвердить целевое действие препарата и оптимизировать его разработку.

Идентификация новой молекулы лекарственного средства требует её интеграции в подходящую дозировку с желаемыми характеристиками распределения. В этом случае ИИ заменит традиционный метод проб и ошибок. Благодаря количественному анализу соотношения «структура-свойства» различные вычислительные инструменты могут решать проблемы, возникающие при разработке рецептур, такие как проблемы стабильности, растворения, пористости и другие. Инструменты поддержки принятия решений используют методы, основанные на правилах, для выбора формы, состава и количества вспомогательных веществ на основе физико-химических свойств соединения, а также механизм обратной связи для отслеживания и корректировки всей процедуры (Paul et al., 2020). 

Концепция медицины «4П»

До сих пор ИИ для компаний, занимающихся разработкой лекарств, в основном был сосредоточен на анализе огромных баз данных, поскольку глубокое обучение требует больших объёмов данных. В будущем сочетание больших наборов данных с наблюдениями из небольших наборов данных, полученных в режиме реального времени от пациентов и представителей целевой демографической группы, может привести к хаосу. Для развития архитектуры новых прецизионных препаратов эти небольшие наборы данных будут сочетаться с алгоритмами, обученными на больших наборах данных.

Если число соединений, открытых с помощью ИИ, будет расти, станут доступны новые лекарства, способные лечить конкретные патологии, причем персонализированные препараты будут разрабатываться с нуля всего за несколько недель. Эти методы лечения могут быть узконаправленными, учитывать генетические особенности пациента и предотвращать такие риски, как побочные эффекты. Этот переход ознаменует новую эру в секторе здравоохранения, поскольку более глубокое понимание причин заболеваний расширяет число доступных лекарств и, во многих отношениях, позволяет излечивать заболевания, которые ранее не имели успешного лечения. Это также подразумевает, что интеллектуальная собственность может использоваться для защиты не только  химических  формул, но и товаров и услуг в рамках процесса регистрации. Хотя стоимость отдельных препаратов может увеличиваться по мере повышения эффективности методов лечения для более концентрированных пациентов, совокупные расходы на лекарства могут снижаться по мере уменьшения числа пациентов, получающих отдельные препараты. Повышение приверженности и более раннее вмешательство также могут способствовать повышению экономической эффективности этих экспериментальных методов лечения (Deloitte, 2019).

Применение искусственного интеллекта (ИИ) в различных подотраслях фармацевтической промышленности: от разработки лекарственных препаратов до управления фармацевтической продукцией.

Будущее здравоохранения с разработкой лекарств на основе ИИ

Когда существующие точки объединяются в пары, происходят великие прорывы. Например, пенициллин появился в 1928 году, когда Александр Флеминг, вернувшись из отпуска, обнаружил, что некоторые из его бактериальных культур заражены плесенью, что препятствует их естественному росту. Однако только спустя десятилетие, когда Говард Флори наткнулся на статью Флеминга о плесени Penicillium в медицинском журнале, идея приобрела популярность. Вместе со своим коллегой Эрнстом Чейном он начал открывать пенициллин, и в 1942 году первый пациент был успешно вылечен этим препаратом. Серия взаимодействий точек привела к одному из самых значительных медицинских прорывов наших дней.

Это похоже на то, как искусственный интеллект (ИИ) и машинное обучение (МО) используются для связывания «точек данных» для получения новых идей. Однако для обнаружения взаимодействий между различными информационными областями этим системам необходим доступ к огромным и сложным наборам данных. Это может быть сложно в таких секторах, как здравоохранение и фармацевтика, где данные собираются и обрабатываются во многих местах и ​​считаются крайне конфиденциальными. Участники сетей цифрового здравоохранения, такие как поставщики, страховые компании, государственные учреждения, академические учреждения и другие, могут свободно и в соответствии с требованиями обмениваться информацией о пациентах, используя интегрированную распределенную структуру данных (Waters, 2020).

Области здравоохранения, где ИИ заметно спасает жизни

Технологический прогресс всегда играл решающую роль в улучшении нашей жизни, включая наше благополучие. Такие изобретения, как рентгеновский аппарат, микроскоп и ультразвуковой аппарат, внесли важный вклад в диагностику, лечение и профилактику заболеваний за последнее столетие. Внедрение искусственного интеллекта стало одним из самых заметных технологических прорывов человечества в этом столетии. От знающих помощников до беспилотных автомобилей – ИИ меняет нашу повседневную жизнь, как в профессиональной, так и в личной жизни. К счастью, в здравоохранении существует широкий спектр применения искусственного интеллекта, который способствует нашему благополучию, оказывая интеллектуальную помощь пациентам, врачам, медицинским работникам, администраторам больниц, производителям лекарств и учёным (Glauner, 2021).

Применение ИИ в здравоохранении многочисленно, и количество научных журналов, исследовательских проектов крупных корпораций, стартапов и сообщений в блогах в последние годы, похоже, стремительно растет.

100 самых цитируемых статей по медицинскому ИИ

Новый библиографический обзор 100 наиболее цитируемых статей, посвященных использованию ИИ в медицинской практике в период с 1950 по 2019 год, показывает, что медицинская информатика, определяемая как управление и использование медицинских карт пациентов в таких технологиях, как прецизионная медицина и диагностика, получила наибольшее признание исследователей в последние годы и называется медицинской информатикой. Радиология, онкология и нерадиологическая диагностическая обработка изображений следуют за ними. Интересно, что сердечно-сосудистая медицина отсутствует в исследованиях ИИ, несмотря на высокую заболеваемость. Они также обнаружили, что клинические испытания составляют всего 11 из 100 самых цитируемых статей (Sreedharan, 2020). В результате 89 из 100 самых цитируемых исследовательских статей не были подтверждены клиническими испытаниями, что свидетельствует о сохраняющейся потребности в использовании ИИ в здравоохранении. Напротив, многие компании с привлекательными услугами в области медицинского искусственного интеллекта привлекают большой интерес со стороны венчурных капиталистов. Эту тенденцию можно наблюдать на представленной ниже визуализации, подготовленной платформой анализа рынка CB Insights, которая доказывает, что финансирование ИИ в здравоохранении увеличилось в восемь раз с 2015 года.

Источник: CB Insights

Диагностика

Когда речь идёт о борьбе с болезнью, правильный диагноз всегда является важным шагом на пути к её достижению. Неудивительно, что одним из первых применений ИИ в здравоохранении, ещё в 1970-х годах, стала диагностика заболеваний. Стэнфордский университет создал экспертную схему на основе правил, которая успешно выявляла бактериальные инфекции, передающиеся через кровь. Однако она никогда не применялась в клинических условиях, поскольку не превосходила врачей-людей по эффективности и имела ограниченную совместимость с другими информационными системами здравоохранения.

Сегодня существует множество подходов к диагностике с использованием искусственного интеллекта, большинство из которых основано на методах машинного обучения, а не на экспертных программах. Во-первых, постоянно быть в курсе всех достижений медицинской науки и обилия данных — задача невыполнимая. Во-вторых, методы машинного обучения совершили стремительный скачок благодаря недавним прорывам в области глубокого обучения. Теперь их можно идеально использовать в здравоохранении, и наиболее очевидным примером является обработка изображений в радиологии (Glauner, 2021).

Индивидуализированное здравоохранение/Персонализированная медицина

Здравоохранение, каким мы его знаем сейчас в нашем развитом обществе, — это структура, которая практически не менялась на протяжении многих десятилетий. Вы заболели. Вы идёте к врачу, он ставит диагноз и рекомендует лекарство, которое, как доказано, излечивает всё ваше заболевание, вы идёте в аптеку за выписанным лекарством, и в конце концов выздоравливаете.

Что, если бы назначенное лекарство было персонализировано не только с учётом ваших симптомов, но и с учётом вашего уникального организма, физиологии и истории болезни? А что, если бы вам вообще не нужно было обращаться к врачу, если бы вы могли получить профессиональную и индивидуальную рекомендацию по лечению, не выходя из дома? И разве не было бы здорово, если бы вы не заболели в самом начале? Таким образом, вы получаете только те рекомендации по питанию и физическим упражнениям, которые необходимы вашему организму для поддержания здоровья в зависимости от его уникальных особенностей? Всё это стало возможным благодаря персонализированному здравоохранению на базе искусственного интеллекта.

Точная медицина

Многие люди используют рекомендации по питанию и программное обеспечение для проверки симптомов в целях самопомощи и поддержания хорошего самочувствия.

Точная медицина – это попытка медицинских работников предсказать оптимальный вариант лечения для каждого конкретного пациента. Она основана на той же концепции и использует схожие данные, такие как статистика питания и образа жизни. Однако обычно она включает дополнительные данные, собранные в ходе любых медицинских обследований; она также может включать анализ ДНК. В терапевтических приложениях профессиональный опыт врачей оптимально дополняет рекомендации, основанные на ИИ. Точная медицина также охватывает клинические проекты, направленные на адаптацию терапии к определённым подгруппам пациентов.

Точная медицина также может стать парадигмой для сердечно-сосудистых заболеваний (ССЗ), разнообразных и неоднородных. На ССЗ существенное влияние оказывают как внешние, так и внутренние факторы, такие как образ жизни и питание человека, а также гены. ИИ позволяет специалистам по сердечно-сосудистым заболеваниям выявлять тенденции в огромных объёмах доступных данных, которые человеческий мозг никогда не сможет обработать.

Однако именно здесь часто кроются риски и недостатки применения ИИ, не обязательно в медицине. Если исходный сценарий использования или медицинская задача неверно поняты и не отражены в результатах, то даже самый сильный метод ИИ не сможет решить поставленную задачу должным образом. Чтобы использовать ИИ для помощи пациентам, врачи и специалисты по анализу данных должны сотрудничать и обсуждать диагностические и математические предположения.

Географическое распространение сектора разработки лекарств на основе ИИ

Разработка лекарственных препаратов на основе ИИ в основном сосредоточена в США. Этот очевидный региональный дисбаланс отчасти объясняется тем, что многие компании, например, китайские стартапы, в настоящее время зарегистрированы в США (BioPharma Trend, 2021).

Источник: BioPharma Trend.

В 2019 году Северная Америка лидировала в отрасли, имея самую высокую долю продаж – почти 60%. Одной из основных причин высокой доли рынка является широкое  внедрение систем ИИ  в США, чему способствовало участие многих компаний региона. Согласно отчету RELX Emerging Tech Executive Report за 2020 год, ИИ в настоящее время лидирует в трансформации отрасли. В 2018 году менее половины руководителей компаний (48%) заявили, что их компании используют эти инновации, а в прошлом году этот показатель вырос до 81% с 72% в 2019 году. Это в основном объясняется растущим позитивным отношением компаний к ИИ (Grand View Research, 2020).

Прогнозируется, что Азиатско-Тихоокеанский регион станет самым быстрорастущим регионом рынка. Ожидается, что спрос на платформы ИИ для разработки лекарственных препаратов в регионе будет обусловлен растущим внедрением новых технологий в Индии и Китае для разработки новых лекарственных препаратов, а также акцентом на наращивание фармацевтических мощностей в этих странах. К концу прогнозируемого периода ожидается, что среднегодовой темп роста спроса в этом регионе составит почти 32%.

Распределение 100 лучших экспертов в области ИИ в области разработки лекарств по странам

На карте ниже показано расположение ведущих пионеров в области ИИ в фармацевтике и здравоохранении по всему миру. США и Великобритания по-прежнему являются домом для наибольшего числа ведущих исследователей. Однако следует помнить, что Китай способен существенно изменить эти показатели в ближайшие годы благодаря обратной миграции ведущих специалистов по ИИ из США.

Источник: Аналитика глубоких знаний

Революция на основе данных в разработке лекарств

Изобретательные организации повысят шансы своих кандидатов на клинические испытания, используя эти архивы данных. Эффективное хранение и анализ данных могут ускорить  процессы производства лекарств . Однако традиционные стратегии обработки данных в настоящее время не справляются с требуемой скоростью для обработки экспоненциально растущего объёма производимой научной информации.

Каналы поставок фармацевтических и биотехнологических компаний разрушаются, из-за чего многие компании не могут успешно справляться с растущим спросом на существующие сети. Для решения этих важнейших рыночных задач и приведения отраслей в соответствие с экологическими требованиями крайне необходимы специализированные системы, разработанные для продвижения и развития данных, связанных с разработкой и тестированием лекарственных препаратов (Chilukuri et al., 2017).

Большие данные открывают новый взгляд на сложные проблемы и меняют организацию процессов управления клиническими данными. 

Внедрение трансформации на основе данных

Опыт специалистов, ранее доступный только университетам и другим исследовательским учреждениям, теперь становится доступным для новой волны стартапов. Компании, использующие этот академический опыт, готовы к прорывам не только в области конвейеров и систем, но и в фундаментальных методах управления, формирования и направления потоков данных по всей организации. Эти изменения настолько радикальны и стремительны, что компаниям потребуется совершенно иной подход к интерпретации генерируемых данных и их использованию в научном или коммерческом контексте.

Организации, занимающиеся исследованиями и разработками в фармацевтическом и биотехнологическом секторах, подчёркивают важность более глубокого понимания технологий больших данных. Крупные предприятия, такие как Novartis, переименовываются в компании, специализирующиеся на лекарственных средствах и науке о данных. Это повысило известность и значимость биоинформатиков в организациях, которые традиционно оказывали поддержку коллегам-биологам в вопросах сбора данных, статистики и разработки инструментов.

Революция направлена ​​на целенаправленное построение более глубоких отношений между исследователями, принимающими научные решения, и людьми, создающими их технические решения. Объединение этих двух областей обещает в ближайшие годы трансформацию и развитие передового креативного подхода в отрасли (Chilukuri et al., 2017).

Машинное обучение: способ принимать обоснованные решения

Решение универсальных задач обработки данных и решение распространённых экологических проблем привело к эффективной автоматизации и оптимизации различных аналитических процессов. Новые технологии машинного обучения позволяют включать наборы данных в процесс принятия решений, полностью основанный на данных. Эти наборы данных могут быть получены из различных рабочих процессов, таких как масс-спектрометрия, секвенирование нового поколения (NGS), высокопроизводительная визуализация, иммуноферментный анализ и биофизические исследования.

Раннее обнаружение закономерностей с помощью МО

Принятие решений становится проще и качественнее в подходящей обстановке. Исследователи теперь лучше понимают доступную им научную информацию, не прибегая к ручному объединению разрозненных наборов данных. Например, возникновение нежелательных лекарственных реакций или побочных эффектов может быть одной из основных причин, по которым клинические испытания останавливаются на этапе отбора кандидатов. Интеграция сложных массивов данных с различными статистическими методами повышает вероятность раннего обнаружения этих побочных эффектов, до того, как потенциальный препарат попадёт в клиническую практику.

Платформы с мощным компонентом машинного обучения способны выявлять закономерности и тенденции, не видимые невооруженным глазом. Подчеркивая эти тенденции, учёные могут сосредоточиться на критически важных деталях, одновременно сокращая отвлекающий «шум» или бессмысленные детали. Поскольку количество необходимых экспериментов ограничено, экономится время и усилия.

Также возможны случаи, когда ранее неудавшиеся кандидаты могут быть использованы для принятия решений о разработке новых кандидатов с идентичными профилями данных. В результате некоторые заявители смогут «отказаться от участия в программе раньше», поскольку программы разработки могут быть отменены на более раннем этапе, чтобы избежать дополнительных расходов и исследований. Поскольку более высокие расходы обычно возникают при переходе заявителей к клиническим испытаниям, парадигма быстрого отказа экономически важна для разработчиков лекарств.

Машинное обучение для диагностики и лечения заболеваний

Микроскоп дополненной реальности для диагностики рака

Микроскопический анализ образцов, взятых у пациентов, имеет решающее значение для диагностики рака и определения стадии заболевания. Однако микроскопия зависит от интерпретации изображений экспертом, которая может быть субъективной; в последнее время требуется объективный анализ микроскопических образцов. Кроме того, число таких экспертов может быть ограничено.

ИИ поможет в обработке патологических изображений, повышая точность диагностики, количественную оценку и производительность. Одним из таких примеров является микроскоп дополненной реальности — оптический световой микроскоп, позволяющий интегрировать ИИ в режиме реального времени.

Генерация больших объёмов данных, содержащих знания о генетике человека, позволяет использовать методы машинного обучения для алгоритмов кластеризации как с учителем, так и без учителя. Алгоритмы в обучении с учителем обучаются на основе брендированных данных, в то время как алгоритмы в обучении без учителя пытаются выявить взаимосвязи в немаркированных данных.

Аппаратные компоненты системы микроскопа дополненной реальности (ARM) позволяют в реальном времени захватывать поле зрения и отображать информацию в окуляре микроскопа.

Экономически эффективная и своевременная альтернатива текущим экспериментальным процедурам

Использование фреймворков для разработки и моделирования лекарств in silico ещё больше улучшит возможности машинного обучения в терапевтических целях. Например, база данных DrugBank предоставляет количественные, аналитические и молекулярные данные о лекарственных средствах и их мишенях.

База данных DrugBank

DrugBank разделен на четыре основные категории:

1. низкомолекулярное органическое соединение, разрешенное FDA в качестве низкомолекулярных лекарственных средств (более 700 веществ),
2. Биотехнологические (белковые/пептидные) продукты, разрешенные FDA в качестве лекарственных средств (более 100 наименований),
3. Нутрицевтики или микронутриенты, такие как витамины и метаболиты (более 60 регистраций),
4. Неутвержденные, исключенные из списка и запрещенные лекарственные средства, а также ингибиторы ферментов и возможные яды (всего 3200 позиций).

Машинное обучение для разработки лекарственных препаратов может стать более экономичным и быстрым решением по сравнению с традиционными лабораторными процедурами. Другая точка зрения заключается в использовании технологий машинного обучения для прогнозирования эффективности опиоидной терапии и индивидуализации подходов к лечению.

Этот подход, известный как «оценка лекарств» или «персонализированная (индивидуальная) медицина», учитывает особенности, объясняющие активацию сигнальных путей клеток и метаболических путей, чтобы различать пациентов, которым лечение приносит пользу, и пациентов, которым оно не приносит пользы.

Несовершенства использования нейронных сетей

Несмотря на то, что машинное обучение может преобразовать диагностику и лечение заболеваний, у него всё ещё есть некоторые недостатки, включая невозможность отделить причину от вывода, исключить искажённые данные и  регулировать предиктивную аналитику . Для безопасного использования машинного обучения в диагностике и/или лечении заболеваний используемые данные должны быть тщательно протестированы на соответствие конкретной задаче. Данные должны быть собраны и аннотированы объективно для правильной идентификации и интерпретации, а также должны быть характерными для меньшинств в гетерогенных группах населения.

Несмотря на многочисленные преимущества, машинное обучение в биомедицине всё ещё находится на ранней стадии развития. Для решения этических, правовых, моральных и технических проблем необходима междисциплинарная команда специалистов, которая сможет оказать решающую помощь в повышении качества медицинской помощи.

Как искусственный интеллект и технологии больших данных могут сделать разработку лекарств экономически эффективной и быстрой

Искусственный интеллект и машинное обучение уже меняют фармацевтическую отрасль и весь сектор здравоохранения. Компании, которые не успевают внедрить эти технологии на ранних этапах, рискуют потерять долю рынка, создать проблемы медицинским работникам и измотать пациентов, ожидающих новые лекарства.

Разработка лекарственных препаратов стремительно развивается, поэтому фармацевтическим компаниям необходимо обладать самой актуальной и точной информацией для принятия обоснованных решений. Компании, использующие эти стратегии, могут продемонстрировать лучшую предсказуемость, сократить время вывода продукции на рынок и повысить эффективность. Эти инновации не предназначены для замены когнитивных процессов человека. Но они направлены на улучшение возможностей анализа информации и вносят значительный вклад в формирование более безопасной и оптимизированной среды для разработки лекарственных препаратов. Поскольку объем и сложность данных, генерируемых в ходе клинических испытаний, экспоненциально растут из года в год, а объем данных, полученных в ходе реальных исследований (RWE), продолжает расти,  решения на основе искусственного интеллекта, машинного обучения и обработки естественного языка (ИИ/МО/НЛП)  играют свою роль в том, как меняются клинические испытания и как эта технология приближает новые лекарственные открытия к пациентам.

Академические учреждения, биофармацевтические компании, исследовательские организации и небольшие биотехнологические компании всё больше осознают потенциал ИИ для трансформации клинических исследований. В частности, ИИ способен преобразовать многие ключевые этапы клинических исследований, от разработки протокола до их проведения, тем самым повышая показатели успешности исследований и снижая нагрузку на НИОКР в биофармацевтике (Deloitte, 2020).

Роль медицинских работников усилена благодаря ИИ

Всё больше медицинских задач включают решения на базе ИИ, которые дополняют задачи, традиционно выполняемые специалистами здравоохранения. Усовершенствования на основе ИИ потенциально могут помочь в выполнении задач, выполняемых высококвалифицированными специалистами здравоохранения, включая задачи, требующие высокого уровня знаний или превосходящие возможности человеческого мозга (например, анализ больших объёмов данных для выявления заболеваний). Решения на базе ИИ будут помогать людям в работе, требующей нечеловеческой концентрации и внимания, вызывающей истощение или крайне сложной для выполнения в течение длительного времени (Рабочая группа по цифровым технологиям и ИИ в здравоохранении, 2020).

Для укрепления систем здравоохранения и улучшения результатов лечения пациентов внедрение ИИ/МО/  НЛП  в современную систему здравоохранения требует применения алгоритмов на основе ИИ в каждом приложении, которые расширяют возможности специалистов, участвующих в укреплении систем здравоохранения и их постоянном совершенствовании. Пять ведущих областей применения искусственного интеллекта в здравоохранении:

• Вмешательства в области общественного здравоохранения
• Доклинические исследования и клинические испытания
• Рабочие процессы клинической помощи
• Решения, ориентированные на пациента
• Оптимизация внутренних процессов здравоохранения

Более быстрые клинические испытания с ИИ

Чтобы справиться с растущими проблемами современных клинических исследований, нам необходимо систематически интегрировать инструменты на основе ИИ в процесс разработки лекарств и расширить доступ к ним для всех нуждающихся пациентов. Во многих отчётах говорится, что средняя стоимость вывода нового лекарства на рынок за последнее десятилетие увеличилась с 1,2 млрд долларов до почти 2 млрд долларов. В то же время, средний объём продаж на актив за тот же период снизился с 820 млн долларов до минимума в 380 млн долларов (Working Group on Digital and AI in Health, 2020).

Текущее состояние клинических испытаний

Современные клинические испытания требуют тесного взаимодействия между представителями различных профессий в системе здравоохранения, включая представителей бизнеса, университетов, правительства, некоммерческих и пациентских групп, врачей, пациентов, исследователей и государственных учреждений. Каждый из них использует набор инструментов для поддержки своих компонентов клинических испытаний. Эти заинтересованные стороны составляют инфраструктуру, которая в настоящее время поддерживает проведение клинических испытаний по всему миру. Некоторые ресурсы, такие как время, деньги и медицинский персонал, трудно разделить. С другой стороны, поддерживающие ИТ-системы и инфраструктуру исследовательского центра необходимо создавать заранее, чтобы стимулировать спонсоров и исследователей принимать решения об инвестициях. Многие сожалели, что большинство клинических испытаний проводятся «уникальным» способом. Энергия и деньги тратятся на сбор различных ресурсов каждый раз для новой научной задачи. Однако многие эксперты полагают, что эффективности можно достичь путем адаптации методов клинических испытаний с использованием технологий, включая искусственный интеллект, машинное обучение и  обработку естественного языка , чтобы те, кто занимается новыми исследовательскими проблемами, могли быстро использовать существующие данные и методы их обработки, не изобретая заново способ работы каждого испытания (Форум Института медицины (США) по открытию, разработке и внедрению лекарственных средств, 2010 г.).

Современные проблемы клинических испытаний

Выявление подходящих пациентов повысит скорость и эффективность клинических испытаний, что приведет к более быстрому принятию и доступу к новым препаратам. Однако статистика показывает, что лишь ограниченный процент пациентов, соответствующих критериям отбора, участвует в клинических испытаниях. В клинических испытаниях участвуют лишь от двух до девяти процентов взрослых онкологических пациентов.

По данным метаанализа 13 экспериментов, проведенного в 2019 году с участием почти 9000 человек, только 8,1% потенциальных пациентов были включены в клинические испытания; из тех, кто этого не сделал, 55,6% не имели доступного исследования, в котором они проходили лечение, 21,5% считались недоступными, а 14,8% решили не участвовать в доступном испытании.

Успешность клинических испытаний сильно зависит от типа заболевания. Систематический анализ 186 000 уникальных испытаний, проведенных в период с 2000 по 2015 год, показал, что средняя вероятность успеха составляла 13,8%. В то же время, вероятность успеха онкологических исследований (POS) была значительно ниже – 3,4%. Такой низкий показатель POS вызывает беспокойство, поскольку многие биофармацевтические компании все больше фокусируются на онкологии как на предпочтительной области терапии.

Проблемы идентификации, набора и регистрации на объекте

С ростом числа и сложности клинических испытаний, особенно в онкологии, также увеличивается конкуренция за подходящих участников и места проведения испытаний.

Поиск подходящего исследования и подходящего пациента — трудоемкая и трудная задача как для персонала, проводящего клинические исследования, так и для пациента.

Основными компонентами, подрывающими эффективность клинических испытаний, являются выбор пациентов и мест проведения испытаний, процессы набора и удержания пациентов, а также отсутствие подходящей инфраструктуры для управления сложным процессом проведения клинических испытаний.

Это особенно проблематично на поздних этапах, когда требуются эффективные и точные системы мониторинга приверженности, отслеживания конечных точек и мониторинга состояния пациентов. Искусственный интеллект, в частности, глубокое обучение (ГО), машинное обучение (МО) и обработка естественного языка (НЛП), в сочетании с эффективной автоматизированной платформой, способен повысить процент одобрения рецептов и снизить производственные затраты, а также ускорить доставку лекарственных препаратов пациентам.

Все крупные биофармацевтические компании инвестируют в искусственный интеллект и его приложения. Например, компания Novartis использовала искусственный интеллект для интеграции данных клинических исследований из нескольких внутренних источников, чтобы прогнозировать и отслеживать стоимость, набор и безопасность исследований. В результате компания объявила о сокращении времени набора пациентов в пилотные исследования на 10–15% (CB Insights, 2021).

Адаптивные клинические испытания

Пандемия COVID-19 ускорила внедрение технологий, которые могут повысить эффективность и стоимость клинических испытаний.

В то время как стандартные эксперименты могут быть строгими в отношении основных конечных точек и режимов дозирования, прежде чем перейти на следующий уровень, адаптивный дизайн побуждает исследователей изменять такие измерения по мере продвижения испытаний.

Исследование, посвященное тестированию антител для лечения пациентов с COVID-19, проведенное компаниями Regeneron Pharmaceuticals и Sanofi, использовало адаптивный дизайн. Эксперимент SOLIDARITY Всемирной организации здравоохранения, в котором особое внимание уделяется темпу, следовал этому подходу, используя рандомизированный, недвойной слепой дизайн (CB Insights, 2021).

Фармацевтические компании применяют ИИ