毫无疑问，人工智能（AI）目前非常流行。2023年，美国整体AI投资达到了672亿美元。在全球生命科学市场中，AI在2022年的价值为15亿美元，预计在未来10年内将达到约91.7亿美元。许多AI和机器学习应用程序已经在药物发现和开发中得到应用。AI不仅能够处理、分析和解释大量数据集，还可以用于结构药物设计和毒性和疗效预测。
然而，药物开发的一个持续问题是其高昂的成本。例如，开发一种抗癌药物并将其推向市场的总体成本估计约为28亿美元。其中50%到70%的成本用于临床阶段的药物开发。
加拿大公司Altis Labs的创始人兼首席执行官Felix Baldauf-Lenschen表示：“药物开发成本极高的主要原因是95%的药物在临床阶段失败。这意味着每次新批准基本上都要支付所有先前失败的费用。”
AI在临床试验中的一些最高影响力应用正是针对这一挑战。它们可以在早期识别最有效的药物，并更快、更便宜地将其推向市场，同时尽早识别并优先排除那些无效的药物。
使用AI改进试验设计
在药物开发的临床阶段，AI有潜力解决当前临床试验中的许多瓶颈。甚至在试验开始之前，AI就可以用来预测患者结果和试验成功的概率。这使赞助者能够在试验前改进其设计，增加成功过渡到下一试验阶段的可能性，缩短试验时间，并提高监管批准的机会。
例如，以色列公司QuantHealth开发了一种基于3.5亿患者数据和超过70万种治疗方案的临床试验模拟器。它使药物开发者能够大规模模拟临床试验，并以86%的准确性预测试验结果。从这些结果中学习，药物开发者可以调整其临床试验设计，以提高成功的机会。
使用真实世界影像数据，Altis Labs开发了AI模型，用于临床试验中的影像学结果预测。Baldauf-Lenschen解释说：“赞助者使用我们的模型处理临床试验中的影像数据，这些模型是在过去十年中加拿大医疗系统治疗患者的数百万份匿名纵向影像及其相关的临床、分子、治疗和生存结果上训练的。”
“我们的AI模型自动处理这些扫描，生成标准护理结果预测和200多个空间影像生物标志物，这些被我们的客户（包括阿斯利康和拜耳）用于预测他们正在进行的试验的疗效。换句话说，它们可以生成合成对照数据，以远超行业过去40年来依赖的简单且往往具有误导性的肿瘤大小测量方法来衡量治疗效果。”
更好的试验匹配意味着更大的成功
临床试验的成功还受到患者招募的影响，这仍然是一项具有挑战性、工作量大且成本高昂的任务。事实上，Clinical Trials Arena在2022年进行的数据分析显示，2010年至2021年间，试验终止最常见的指定原因是低患者招募率。
然而，分析还显示，由于技术进步（如AI），临床试验终止率一直在稳步下降。例如，支持患者招募的工具可以使用AI驱动的自然语言处理技术，这些技术经过临床试验协议和真实世界患者数据的训练。合适的患者可以通过一个称为“试验匹配”的过程进行选择。
芝加哥大学的研究人员在《JCO临床癌症信息学》杂志上发表的一项研究中开发了一种以患者为中心的临床试验匹配工具，该工具能够在大约四秒钟内实现自动匹配，而手动匹配则需要几个小时。
将合适的患者与合适的试验相匹配至关重要。参加临床试验的患者很可能已经尝试了所有可用的治疗方法但未能达到预期效果。因此，最后的手段往往是尝试新的实验性疗法。通过AI，患者有很大机会被纳入正确的试验，甚至接受相关的实验性疗法。
为此，位于加利福尼亚的公司Unlearn正在使用AI来提高只有少数参与者参与的试验的成功率。该公司开发了一种AI模型，利用过去试验的对照数据为每位患者构建数字孪生。Unlearn正与制药和生物技术公司及学术机构合作，以改进和使用这种AI模型进行临床试验。
数字孪生的主要优势在于对照组可以比传统试验小得多，这意味着更多患者有机会接受实验性（且可能有益的）治疗而不是安慰剂。
改善患者体验
为了确保参加临床试验的患者获得最佳体验，北卡罗来纳州的公司IQVIA使用AI以患者为中心的方式分析临床试验数据。
IQVIA的人工智能工程总监Wing Lon Ng告诉《Inside Precision Medicine》：“随着AI越来越多地融入临床试验，保持以患者为中心并增强患者体验至关重要。”“从一开始就让患者参与并在整个试验过程中持续参与至关重要。这包括将患者反馈整合到试验计划和设计中，并确保试验尊重并响应患者的偏好和未满足的需求。早期和持续的患者参与有助于建立信任并提高依从性，最终导致更好的试验结果。”
为此，IQVIA正在使用多种患者体验数据训练其AI模型，这些数据通过文献回顾、访谈、焦点小组、临床结果评估、调查和数字健康技术收集。
“我们利用电子临床结果评估（eCOA），数据以电子方式捕获并立即上传，提供近乎实时的患者体验洞察。这加速了关键数据的访问，使赞助者能够及时做出决策，以增强患者安全和试验效率。此外，eCOA平台会向患者发送提醒和警报，鼓励及时提交数据，营造责任感文化，”Ng解释道。
同样，公司AiCure构建了一个基于AI的患者参与平台，临床试验参与者可以通过智能手机访问该平台。这使临床团队能够远程监控、支持和分析试验参与者及相关数据，实时接收参与者的反馈，并提醒他们按时服药，以防止人们退出试验。
主要挑战
尽管AI为临床试验带来了许多优势，但仍有一些挑战需要在未来解决。主要挑战之一是AI的新颖性。
美国公共卫生服务部中尉指挥官、FDA高级法规分析师Marsha Samson博士解释说：“许多人不愿意在临床试验中用新技术取代传统方法。”“实施这些技术的原因是为了改进现有方法，找到更准确的治疗反应测量方法，使用连续测量以更全面地了解新药的效果，并允许以对参与者方便的方式进行测量。这些好处并非都能保证，挑战在于积累足够的数据，使我们有信心改进现有方法。”
生命科学领域的另一个关键问题是数据共享和标准化，这可能会极大地影响AI在临床试验中的应用。
Baldauf-Lenschen解释说：“训练和验证AI模型需要大量的高质量数据。”“这是一个巨大的瓶颈，尤其是在医疗保健行业中，数据质量低下且分散在孤岛中。例如，在我们的案例中，将纵向影像数据与诊断信息、患者的治疗历史和生存结果联系起来可能非常具有挑战性，而这正是我们需要训练和验证预测生存结果的AI模型所需的。”
Ng表示：“AI系统需要高质量、多样性和大型数据集才能有效运行。不一致、不完整或有偏见的数据可能导致不可靠的结果。建立标准化的数据收集协议并投资于数据清理和集成解决方案将确保强大的数据集。”
与此相关的是，使用代表多样化患者群体的数据训练AI的重要性。
Samson说：“使用有偏见的数据训练这些计算机程序的主要风险是我们会在医疗保健系统中延续不平等现象。”
消除偏见很重要，因为如果AI算法训练的数据不能充分代表人口的多样性，它们可能会无意中维持和放大现有的偏见。
“通过利用患者体验数据，赞助者可以识别和解决各种人群的具体需求，确保试验具有包容性和代表性。这有助于设计更好地满足患者需求的试验，并识别多样性和包容性方面的潜在风险和改进领域。这不仅符合监管要求，还提高了试验结果的普遍性和相关性，”Ng补充道。
监管机构对使用AI进行临床试验的看法
世界各地的监管机构正在应对这些挑战，并发布关于在临床试验中使用AI的指南。通过与药物开发公司密切合作，监管机构可以制定明确的规则和框架，确保符合道德标准、保护数据隐私并遵守现有法律。
Samson说：“无论是否使用AI，临床试验的基本良好临床实践和证据标准保持一致。”“全球各国正在制定指南和基于风险的框架，将AI整合到临床试验中，以确保患者安全和数据完整性，同时促进创新。在建立风险、数据隐私法规和其他因素方面可能存在差异。全球范围内的持续合作和讨论可以在可能的情况下协助协调，以支持在临床试验中使用AI。”
欧洲药品管理局（EMA）数据分析和方法工作组负责人Peter Arlett补充说：“不同的司法管辖区有不同的法律框架，这可能导致方法上的差异。”“全球药品监管机构使用国际药品监管机构联盟等论坛和双边讨论来相互告知并讨论这些共同感兴趣的议题。”
展望未来
虽然AI在临床试验中的应用仍处于起步阶段，但全球范围内越来越多的临床试验意味着将生成并公开更多的数据。因此，生物技术和制药公司越来越致力于利用AI和机器学习模型带来的好处。
Arlett说：“AI的使用可能会增加，并成为临床试验的常见特征。”“一方面，这将归因于AI的发展性质，另一方面，随着监管机构发布指南，制药行业将能够实施所需治理和程序，以充分利用并扩大AI的使用规模。”
(全文结束)
