Οι μελέτες σε ανθρώπους είναι το πιο δαπανηρό και χρονοβόρο μέρος της ανάπτυξης φαρμάκων, καθώς μπορεί να χρειαστούν χρόνια σε μια διαδικασία που μπορεί να κοστίσει πάνω από ένα δισεκατομμύριο δολάρια.

Εταιρείες όπως η Amgen, η Bayer και η Novartis “εκπαιδεύουν” την τεχνητή νοημοσύνη για τη σάρωση δισεκατομμυρίων δημόσιων αρχείων υγείας, δεδομένα συνταγών, αξιώσεις ιατρικής ασφάλισης αλλά και τα εσωτερικά τους δεδομένα για την εύρεση ασθενών που μπορούν να συμμετάσχουν σε κλινικές μελέτες. Οι φαρμακευτικές επίσης πειραματίζονται με εργαλεία ΑΙ εδώ και χρόνια, ελπίζοντας ότι οι μηχανές μπορούν να ανακαλύψουν το επόμενο υπερπαραγωγικό φάρμακο.

ATOMIC ΑΙ

Το εργαλείο AI της Amgen, ATOMIC, σαρώνει συλλογές εσωτερικών και δημόσιων δεδομένων για να εντοπίσει και να κατατάξει ασθενείς και γιατρούς με βάση το ιστορικό τους σε κλινικές δοκιμές.

Η εγγραφή ασθενών σε μια δοκιμή μεσαίου σταδίου μπορεί να διαρκέσει έως και 18 μήνες, ανάλογα με τη νόσο, αλλά το ATOMIC μπορεί να τη μειώσει στο μισό στο καλύτερο σενάριο, δήλωσε η Amgen στο Reuters.

Η εταιρεία ανέφερε επίσης ότι μέχρι το 2030, αναμένει πως η τεχνητή νοημοσύνη θα την έχει βοηθήσει να μειώσει κατά τουλάχιστον δύο χρόνια, ή περισσότερο, τη δεκαετία που χρειάζεται συνήθως για την ανάπτυξη ενός φαρμάκου.

Το εργαλείο τεχνητής νοημοσύνης που χρησιμοποιεί η Novartis έχει επίσης κάνει την εγγραφή ασθενών σε δοκιμές ταχύτερη, φθηνότερη και πιο αποτελεσματική, δήλωσε ο Badhri Srinivasan, επικεφαλής των επιχειρήσεων παγκόσμιας ανάπτυξης.

ΕΠΙΤΑΧΥΝΣΗ ΕΞΩΤΕΡΙΚΟΥ ΕΛΕΓΧΟΥ

Η γερμανική φαρμακοβιομηχανία Bayer είπε ότι χρησιμοποίησε τεχνητή νοημοσύνη για να μειώσει τον αριθμό των συμμετεχόντων που απαιτούνται κατά αρκετές χιλιάδες για μια δοκιμή σε τελευταίο στάδιο του asundexian, ενός πειραματικού φαρμάκου που έχει σχεδιαστεί για να μειώσει τον μακροπρόθεσμο κίνδυνο εγκεφαλικών επεισοδίων σε ενήλικες.
Χωρίς την τεχνητή νοημοσύνη, η Bayer ανέφερε ότι θα είχε ξοδέψει περισσότερα εκατομμύρια και θα χρειαζόταν έως και εννέα μήνες επιπλέον για να στρατολογήσει εθελοντές.

Ο Blythe Adamson, ανώτερος κύριος επιστήμονας στη θυγατρική της Roche, Flatiron Health, παραδέχτηκε ότι το πλεονέκτημα της τεχνητής νοημοσύνης είναι πως επιτρέπει στους επιστήμονες να εξετάζουν δεδομένα ασθενών του πραγματικού κόσμου γρήγορα και σε ευρεία κλίμακα.

Είπε ότι μπορεί να χρειαστούν μήνες για να αναζητηθούν δεδομένα από 5.000 ασθενείς που χρησιμοποιούν παραδοσιακές μεθόδους: «Τώρα μπορούμε να μάθουμε τα ίδια πράγματα για εκατομμύρια ασθενείς σε ημέρες».

ΑΝΗΣΥΧΙΑ ΓΙΑ ΤΗΝ ΑΝΑΠΤΥΞΗ ΦΑΡΜΑΚΩΝ

Οι ρυθμιστικές αρχές, ωστόσο, υποστηρίζουν ότι παρόλο που η τεχνητή νοημοσύνη έχει τη δυνατότητα να αυξήσει τη διαδικασία κλινικών δοκιμών, τα αποδεικτικά πρότυπα για την ασφάλεια και την αποτελεσματικότητα ενός φαρμάκου δεν θα αλλάξουν.

“Οι κύριοι κίνδυνοι με την τεχνητή νοημοσύνη είναι ότι θέλουμε να βεβαιωθούμε ότι δεν θα λάβουμε τη λάθος απάντηση στο ερώτημα εάν ένα φάρμακο λειτουργεί”, δήλωσε ο John Concato, αναπληρωτής διευθυντής για την ανάλυση στοιχείων πραγματικού κόσμου στο Office of Medical Policy στο το Κέντρο Αξιολόγησης και Έρευνας Φαρμάκων του FDA.

Πηγή: Fortune