ДалееСледующее руководство
Выбор площадок для клинических испытаний с помощью ИИ
Отрасли
РУКОВОДСТВО ПО Отраслям
ИИ меняет методы тестирования новых лекарств: быстрее находит подходящих пациентов, прогнозирует, какие испытания будут успешными, и быстрее улавливает сигналы безопасности.
Прослушайте это руководствоОзвучено ИИ · ~2 min
Он направлен на одно из самых больших узких мест медицины: исследования проводятся медленно, дорого и часто терпят неудачу.
Вывод препарата на рынок может занять более десяти лет и стоить миллиарды долларов, при этом большинство испытаний терпят неудачу отчасти из-за плохого набора пациентов и плохого планирования. ИИ атакует эти болевые точки. Системы НЛП считывают электронные медицинские записи, чтобы сопоставить пациентов с критериями отбора в исследование, гораздо быстрее, чем просмотр карт вручную. Такие компании, как Deep 6 AI и Tempus, используют это для ускорения регистрации. Машинное обучение помогает оптимизировать дизайн исследования — выбирать места, прогнозировать выбывание и определять биомаркеры, которые определяют подгруппы респондентов. ИИ также позволяет использовать «синтетические рычаги контроля», используя исторические данные о пациентах, чтобы уменьшить количество людей, которые должны получать плацебо. При мониторинге алгоритмы отмечают неблагоприятные события и аномалии данных в тысячах записей. Регулирующие органы, включая FDA, выпустили проект руководства о роли ИИ, сигнализируя как о возможностях, так и о необходимости строгости.
Deep 6 AI сканирует больничные EHR с помощью NLP, чтобы выявить пациентов, имеющих право на участие в исследовании, за считанные минуты, а не недели, ускоряя набор пациентов.
Синтетические контрольные группы, созданные на основе историй болезни пациентов, использовались (например, в исследованиях онкологии и редких заболеваний) для уменьшения количества пациентов, получавших плацебо.
Модели машинного обучения прогнозируют отсев пациентов и неэффективные центры, поэтому спонсоры могут вмешаться до того, как исследование застопорится.
Инструменты фармаконадзора на основе искусственного интеллекта сканируют данные исследований и послепродажные данные, чтобы обнаружить сигналы о нежелательных явлениях до того, как их проверят вручную.
Ожидайте, что ИИ будет продвигаться к более быстрым, меньшим и более адаптивным исследованиям — байесовским адаптивным конструкциям, которые корректируют дозировку или вооружение в середине исследования, а также к децентрализованным исследованиям с использованием носимых устройств для удаленного мониторинга. Генеративный ИИ может автоматически составлять протоколы, нормативные документы и формы согласия, удобные для пациентов. Синтетические и внешние рычаги контроля будут расти там, где этика затрудняет применение плацебо, особенно при редких заболеваниях. Пропускным фактором является проверка и доверие: регулирующие органы потребуют прозрачности, аудита предвзятости и доказательства того, что выбранные ИИ конечные точки и когорты действительно обобщают.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
ИИ меняет методы тестирования новых лекарств: быстрее находит подходящих пациентов, прогнозирует, какие испытания будут успешными, и быстрее улавливает сигналы безопасности. Он направлен на одно из самых больших узких мест медицины: исследования проводятся медленно, дорого и часто терпят неудачу.
Плохой и медленный набор пациентов является основной причиной задержек и неудач исследований, а подбор пациентов на основе ИИ является ведущим средством решения этой проблемы.
Research on clinical trial matching uses NLP to extract patient information from EHR notes and compare it with free-text inclusion and exclusion criteria.
FDA defines an externally controlled trial as comparing treated participants with an external group; whether it can replace a concurrent control is context-dependent and requires careful comparability and bias assessment.
Propensity scores can balance observed covariates under assumptions; they do not remove confounding from unmeasured variables or make noncomparable groups equivalent.
Прогнозируя, какие пациенты могут выбыть из участия или какие центры неэффективны, спонсоры могут действовать заранее, чтобы продолжить исследование.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Выбор площадок для клинических испытаний с помощью ИИ
Отрасли