Применение искусственного интеллекта в клинических исследованиях

Искусственный интеллект (ИИ) — это общее понятие, объединяющее различные алгоритмы машинного обучения (МО), основанные, простыми словами, на анализе обширных объемов данных с целью выявления определенных закономерностей или особенностей в соответствии с поставленной задачей.

Анализироваться могут данные текста, изображений или даже данные генетических исследований и молекулярные особенности опухоли. В контексте языковой модели (NLP), после обучения распознаванию слов и частоте их комбинаций компьютер может понимать контекст, в котором используются слова, а также отвечать на запросы и изменять стиль и «эмоции» изложения, в зависимости от запроса. Чем больше качественных данных поступает для анализа, тем лучше модель обучается и точнее прогнозирует результат.

Роль в клинических исследованиях

Более 700 статей опубликовано о роли искусственного интеллекта в различных сферах клинических исследований (КИ), причем около половины всех статей опубликовано за последние три года. Согласно данным публикаций, среди зарегистрированных исследований на сайте clinicaltrial.gov с 2016 года более 1,7 тыс. исследований использовали алгоритмы машинного обучения.

Помощь искусственного интеллекта может оказываться на всех этапах исследования, начиная с доклинических стадий (они влияют на дизайн последующего клинического исследования) и заканчивая анализом и обработкой полученных результатов.

Доклиническая разработка и оценка безопасности

Искусственный интеллект может помочь выявить ранние сигналы токсичности препарата, а также прогнозировать вероятность ответа среди новых мишеней, таких как гены и белки. Методы машинного обучения применяются для прогнозирования свойств фармакокинетики и фармакодинамики препарата. 

Однако для улучшения результатов все еще требуется расширение открытых баз данных с результатами фармакокинетики других препаратов. Улучшение методов оценки фармакодинамики и токсичности препаратов может в некоторой степени заменить проведение анализов на животных моделях или существенно сократить их объем.

Крупные биотехнологические компании сотрудничают с фармацевтическими гигантами по предоставлению услуг фармакометрии, что подтверждается результатами публикаций. Доступны данные о расчете популяционной фармакокинетики известных препаратов, а также о выборе новых молекул-кандидатов на основе машинного предсказания некоторых свойств, таких как проникновение в центральную нервную систему и длительность экспозиции.

Разработка дизайна КИ

Разработка дизайна клинического исследования является ключевым этапом подготовки, от которого зависит успешность всего исследования. На этом этапе планируются показатели для оценки и методы их определения.

При разработке препарата на начальных этапах критически важно правильно определить уровень дозы, чтобы в дальнейшем подтвердить эффективность и безопасность терапии. Появление новых препаратов со сложным механизмом действия (например, иммуноонкологических или клеточных препаратов) повышает риски неверно выбранной дозы при использовании традиционных дизайнов исследования, направленных на выявление линейной связи между дозой и эффектом. ИИ позволяет использовать адаптивные дизайны подбора дозы с использованием нелинейных алгоритмов при изучении препаратов со сложным механизмом действия и при работе с гетерогенной популяцией, например при наборе пациентов с разными онкологическими заболеваниями.

Кроме того, ИИ при наличии базы электронных медицинских записей и данных предыдущих исследований (включая прекращенные) позволяет с высокой вероятностью выявлять пациентов с высоким риском прогрессирования и выбытия, а также прогнозировать вероятность ответа на основе данных пациента и биологических особенностей опухоли. Это может позволить сократить продолжительность исследований, точнее определить необходимое число пациентов для включения в КИ и предсказать риск досрочного завершения исследования в целом.

Поиск пациентов 

Поиск и отбор пациентов — один из самых трудных этапов клинических исследований и занимает около трети от всей продолжительности исследования, особенно для исследований III фазы, требующих наибольших групп участников и сопровождающихся серьезными материальными затратами (около 60% всех затрат на исследование). 

Примерно каждое пятое клиническое исследование не завершает набор участников, в том числе из-за сложных, строгих и жестких, но необходимых критериев включения, а для клинических исследований III фазы — это около трети исследований. 86% всех клинических исследований не соблюдают установленные сроки по набору участников.

Эта проблема особенно актуальна для исследований в области онкологии из-за высокой гетерогенности популяции. Наличие различных характеристик опухоли приводит к разделению популяции с онкологическими заболеваниями на множество мелких подтипов, что затрудняет поиск «необходимых» пациентов. 

Несмотря на желание (до 75% пациентов в той или иной степени готовы участвовать в клинических исследованиях новых препаратов и хотят знать о возможностях при их онкологическом заболевании), только 3—5% пациентов с онкологическими заболеваниями реально участвуют в клинических исследованиях.

Применение ИИ может значительно повысить эффективность отбора пациентов. При использовании искусственного интеллекта для клинических исследований в половине случаев алгоритмы применяются именно для поиска и отбора пациентов.

Есть несколько опубликованных ретроспективных исследований, которые демонстрируют эффективность ИИ в прескрининге и наборе. Использование алгоритмов машинного обучения может увеличить от 24 до 50% число правильно выявленных как потенциально подходящих пациентов, значительно сокращая время поиска.

Тем не менее следует остерегаться прямого применения этих данных, поскольку они основаны на ретроспективных исследованиях, и эффективность методов требует дополнительного подтверждения в будущем. Оценка эффективности использования искусственного интеллекта затруднена отсутствием крупных сравнительных исследований между методами ИИ и стандартными подходами, а также ограниченным доступом к некоторым электронным медицинским данным. 

Но уже сейчас можно подтвердить, что развитие искусственного интеллекта в клинических исследованиях позволяет оптимизировать разработку препаратов и дизайн клинических исследований, что может помочь значительно снизить затраты на проведение клинических исследований и увеличить доступность к новым препаратам.

Ксения Семиглазова