· 

Mit Künstlicher Intelligenz zu intelligenten Arzneimitteln? (Teil 3)

Welche Anwendungen können mit KI in der klinischen Forschung & Entwicklung der Arzneimittelentwicklung bereits eingesetzt werden?

Kurze Einführung zu klinischer Forschung & Entwicklung:

Die klinische Forschung & Entwicklung umfasst präklinische Untersuchungen an Zellsystemen  sowie Tierversuchen und bis hin zu traditionellen Klinischen Studien der Phasen I, II, III und IV.  In der klinischen Forschung werden die Grundlagen erarbeitet, die die Auswahl von Wirkstoffkandidaten von einigen 100 auf ca. 10 Substanzen reduzieren. In der klinischen Entwicklung werden dann weiter nicht erfolgversprechende Substanzen quasi aussortiert. In der Folge wird dann ein einziges Entwicklungsprodukt letztendlich für die Arzneimittelzulassung eingereicht und -wenn erfolgreich- danach für die jeweiligen Zielgruppen vermarktet. Somit erreichen dann bei verschreibungspflichtigen Arzneimitteln neue Produkte den jeweiligen Patienten.

 

In diesem Blogbeitrag soll auf den  KI Einsatz in der operationalen Ebene der klinischen Entwicklung von Arzneimitteln näher eingegangen werden.

 

Die Anwendung von Algorithmen für Daten  von Patientenpopulationen mittels unüberwachten KI Methoden können Muster in Patientenmerkmalen identifiziert werden. Das dabei angewendete sogenannte „unsupervised learning“ ( lt. Wikiepedia: maschinelles Lernen ohne im Voraus bekannte Zielwerte sowie ohne Belohnung durch die Umwelt) dient zur Auswahl von Patientenphänotypen, die am ehesten von dem vorgeschlagenen Medikament oder Eingriff profitieren würden. Bullfrog.AI ist ein Start-up, das verspricht eine gezielten Patientenauswahl für Klinische Studien vorzuschlagen, indem klinische Studiendaten analysiert werden, um vorauszusagen, welche Patienten auf eine bestimmte Therapie ansprechen werden. Dadurch werden die sogenannten Ein- und Ausschlusskriterien in einem Studienprotokoll verbessert und sicherzustellen, dass die primären Ziele der Studie erreicht werden.

 

Sobald somit spezifische Kohorten von Patientenpopulationen für eine Klinische Studie ausgewählt worden sind, kann die natürliche Sprachverarbeitung (natural language processing, NLP) vielversprechend bei der Identifizierung von Patienten, die dem gewünschten Phänotyp entsprechen, eingesetzt werden. Kommerzielle Anbieter für derartige NLP-bezogenen Auswertungen  sind  Mendel.AI und Deep6AI.

 

Leider unterliegen neuartige ML-Ansätze zur Patientenidentifizierung auf Basis von Gesundheitsdaten aus elektronischen Patientenakten, häufig Verzerrungen (sogenannter Bias). Die Vollständigkeit der Dateneingabe und Datenformate in elektronischen Patientenakten variieren nämlich  stark zwischen verschiedenen Institutionen (Kliniken, Ärzte etc.). Somit kann auch der Output von ML-Algorithmen einen dann aber nicht mehr unbedingt nachweisbaren Bias beinhalten.

 

 

Dr. Volker Möckel

 

 

Quelle: modifiziert von Weissler et al, 2021: The role of machine learning in clinical research: transforming the future of evidence generation; Trials (2021) 22:537

Kommentar schreiben

Kommentare: 0