30 نوامبر 2022 – هوش مصنوعی آماده است تا آزمایش‌های بالینی و توسعه دارو را سریع‌تر، ارزان‌تر و کارآمدتر کند. بخشی از این استراتژی ایجاد «بازوهای کنترل مصنوعی» است که از داده‌ها برای ایجاد «شبیه‌کننده‌ها» یا «بیماران» تولید شده توسط رایانه در یک آزمایش استفاده می‌کنند.
به این ترتیب، محققان می‌توانند افراد واقعی کمتری را ثبت‌نام کنند و در نیمی از زمان، شرکت‌کنندگان کافی را جذب کنند
کارشناسان می‌گویند که هم بیماران و هم شرکت‌های دارویی سود خواهند برد. به عنوان مثال، یک مزیت برای افراد این است که شبیه‌سازها درمان استاندارد یا دارونما را دریافت می‌کنند، به این معنی که همه افراد در مطالعه در نهایت درمان تجربی را دریافت می‌کنند. برای شرکت‌های دارویی که مطمئن نیستند کدام یک از کاندیداهای دارویی آنها بیشترین امید را دارند، هوش مصنوعی و یادگیری ماشینی می‌توانند چشم‌انداز را محدود کنند.
“تا کنون، یادگیری ماشینی در درجه اول در بهینه سازی کارایی موثر بوده است – نه دریافت داروی بهتر، بلکه کارایی غربالگری را بهینه می کند.” هوش مصنوعی از آموخته های گذشته برای موثرتر و کارآمدتر کردن کشف دارو استفاده می کند. آنجلی مولر، دکترا، رئیس داده‌ها و ادغام‌های ایجاد بینش در داروساز Roche در برلین، و نایب رئیس هیئت مدیره اتحاد برای هوش مصنوعی در مراقبت‌های بهداشتی می‌گوید.
“من برای شما یک مثال می زنم. شما ممکن است هزاران مولکول کوچک داشته باشید و بخواهید ببینید کدام یک از آنها به گیرنده ای که در یک بیماری دخیل است متصل می شود. با هوش مصنوعی، لازم نیست هزاران نامزد را بررسی کنید. او می‌گوید شاید بتوانی فقط صد مورد را غربال کنی.
شرکت کنندگان در آزمایش مصنوعی
اولین کارآزمایی‌های بالینی برای استفاده از تطابق‌های ایجاد شده با داده‌ها برای بیماران – به جای بیماران کنترلی که از نظر سن، جنس یا سایر ویژگی‌ها همسان شده‌اند – قبلاً آغاز شده است. به عنوان مثال، شرکت Imunon، یک شرکت بیوتکنولوژی که شیمی درمانی و ایمونوتراپی نسل بعدی را توسعه می دهد، از یک بازوی کنترل مصنوعی در خود استفاده کرد. آزمایش فاز 1B یک عامل اضافه شده به شیمی درمانی قبل از جراحی برای سرطان تخمدان.
این مطالعه اولیه به محققان نشان داد که ارزش ادامه ارزیابی عامل جدید در آزمایش فاز 2 را دارد.
Sastry Chilukuri، یکی از مدیران عامل Medidata، شرکتی که داده‌های آزمایشی فاز 1B را ارائه می‌کند و موسس و رئیس Acorn AI، می‌گوید: استفاده از بازوی کنترل مصنوعی «بسیار جالب است».
او می‌گوید: «آنچه ما داریم اولین تأییدیه FDA و EMA برای یک بازوی کنترل مصنوعی است که در آن با استفاده از بیماران کنترل مصنوعی، کل بازوی کنترل را جایگزین می‌کنید، و این بیمارانی هستند که از داده‌های کارآزمایی بالینی تاریخی بیرون می‌آورید». .
موجی از تحقیقات تقویت شده با هوش مصنوعی؟
انتظار می رود نقش هوش مصنوعی در تحقیقات رشد کند. تا به امروز، بیشتر تحقیقات اکتشافی دارویی مبتنی بر هوش مصنوعی بر روی مغز و اعصاب و انکولوژی متمرکز بوده است. شروع در این تخصص‌ها «احتمالاً به دلیل نیازهای پزشکی برآورده‌نشده بالا و بسیاری از اهداف مشخص‌شده است» در مارس 2022 اشاره می‌کند. بخش خبری و تحلیلی در مجله طبیعت.آ
حدس زده شد که این استفاده از هوش مصنوعی شروعی برای “موج آینده” است.
علاقه فزاینده ای به استفاده از روش های کنترل مصنوعی وجود دارد [that is, using external data to create controls]، طبق a مقاله مروری که در طب طبیعت در سپتامبر. آ
قبلا گفته بود FDA یک دارو را تایید کرد در سال 2017 برای نوعی از اختلال عصبی نادر کودکان، بیماری باتن، بر اساس یک مطالعه با کنترل تاریخی “شرکت کنندگان”.
چیلوکوری می‌گوید، یکی از نمونه‌های آنکولوژی که در آن بازوی کنترل مصنوعی می‌تواند تفاوت ایجاد کند، تحقیقات گلیوبلاستوما است. او می‌گوید که درمان این سرطان مغز بسیار دشوار است و بیماران معمولاً آزمایشات را رها می‌کنند، زیرا آنها خواهان درمان تجربی هستند و نمی‌خواهند در گروه کنترل استاندارد مراقبت باقی بمانند. همچنین، “فقط با توجه به امید به زندگی، تکمیل یک آزمایش بسیار دشوار است.”
چیلوکوری می‌گوید استفاده از یک بازوی کنترل مصنوعی می‌تواند تحقیقات را سرعت بخشد و شانس تکمیل مطالعه گلیوبلاستوما را بهبود بخشد. “و بیماران در واقع درمان تجربی را دریافت می کنند.”
هنوز روزهای اولیه
هوش مصنوعی همچنین می تواند به محدود کردن افرادی که پاسخ نمی دهند در تحقیقات کمک کند.
ناهید کورجی، رئیس هیئت مدیره اتحاد برای هوش مصنوعی در مراقبت‌های بهداشتی و رئیس و مدیر عامل Cyclica Inc. شرکت کشف دارو با محوریت مستقر در تورنتو
«شرکت‌ها به سختی تلاش می‌کنند تا راه‌های کارآمدتری برای آوردن هوش مصنوعی به آزمایش‌های بالینی بیابند تا نتایج سریع‌تر با هزینه کمتر و همچنین کیفیت بالاتر به دست بیاورند».
آزمایش‌های بالینی زیادی وجود دارد که با شکست مواجه می‌شوند، نه به این دلیل که مولکول مؤثر نیست، بلکه به این دلیل است که بیمارانی که در یک کارآزمایی ثبت‌نام کرده‌اند شامل تعداد زیادی از افراد غیر پاسخ‌دهنده است. آنها فقط داده‌های پاسخ‌دهنده را لغو می‌کنند، می‌گوید Kurji.Â
چیلوکوری می‌گوید: «شما شنیده‌اید که افراد زیادی در مورد اینکه چگونه در دهه آینده پیشرفت بیشتری نسبت به قرن گذشته داشته‌ایم صحبت می‌کنند». “و این صرفاً به دلیل در دسترس بودن داده های با وضوح بالا است که به شما امکان می دهد بفهمید در سطح فردی چه اتفاقی می افتد.”
او پیش‌بینی می‌کند: «این باعث ایجاد این انفجار در پزشکی دقیق می‌شود».
از برخی جهات، هنوز روزهای اولیه هوش مصنوعی در تحقیقات بالینی است. کورجی می‌گوید: “کارهای زیادی برای انجام دادن وجود دارد، اما من فکر می‌کنم می‌توانید به نمونه‌های زیادی و شرکت‌های زیادی اشاره کنید که پیشرفت‌های بسیار بزرگی داشته‌اند.”
آ
آ
