Rozwój leków jest drogi i długotrwały — tylko około 10% związków wchodzących do fazy klinicznej trafia na rynek, a cały proces może trwać 10–15 lat. To właśnie te wyzwania napędzają zainteresowanie sztuczną inteligencją: AI pomaga skracać czas, obniżać koszty i zwiększać trafność decyzji na kolejnych etapach badań klinicznych
Gdzie AI robi różnicę
1. Szybsza rekrutacja pacjentów
Jednym z największych problemów badań klinicznych jest znalezienie odpowiednich uczestników. AI potrafi przeszukiwać elektroniczne dokumenty medyczne, dane genetyczne, a nawet treści z forów społecznościowych, aby wskazać osoby spełniające kryteria włączenia — proces, który tradycyjnie trwa miesiącami, może teraz zająć dni. Przykłady komercyjnych narzędzi to m.in. Deep6 AI, które już współpracuje z ośrodkami klinicznymi przy dopasowywaniu pacjentów do badań.
2. Lepsze projektowanie prób i „adaptacyjne” protokoły
Modele ML analizujące dane z poprzednich badań pozwalają projektować bardziej elastyczne protokoły, które mogą być modyfikowane w toku badania w oparciu o napływające dane. Firmy takie jak Benevolent AI wykorzystują analizę literatury i triali, by szybciej wskazywać efektywne protokoły badawcze. Dzięki temu można szybciej odrzucać mniej obiecujące kierunki i koncentrować zasoby tam, gdzie prawdopodobieństwo sukcesu jest większe.
3. Monitoring w czasie rzeczywistym i badania zdecentralizowane (DCT)
Połączenie wearables, aplikacji mobilnych i AI umożliwia zdalne śledzenie parametrów zdrowotnych i szybkie wykrywanie sygnałów ostrzegawczych. Biofourmis jest przykładem firmy stosującej AI do analizy danych z urządzeń noszonych i wczesnego wykrywania działań niepożądanych.
4. „Cyfrowe bliźniaki” i redukcja grup kontrolnych
Nowe podejścia, jak tworzenie „digital twins” (cyfrowych bliźniaków pacjentów), pozwalają na symulowanie przebiegu kontrolnego bez konieczności rekrutacji tak dużej liczby osób do grupy kontrolnej — co może zmniejszyć liczbę wymaganych uczestników i przyspieszyć badanie. Nad takimi rozwiązaniami pracują start-upy takie jak Unlearn.
Wyzwania, których nie wolno ignorować
WIPO przypomina, że rozwój AI niesie ze sobą pytania o jakość danych, prywatność i prawa własności intelektualnej — kluczowe są jasne zasady dotyczące własności danych i modeli, oraz ochrona algorytmów (patenty, know-how). Równie istotna jest transparentność modeli, by regulatorzy i klinicyści mogli ufać decyzjom wspieranym przez AI.
Dla uczelni medycznych i centrów transferu technologii to realna szansa na rozwój. Dane kliniczne, zaplecze badawcze i wiedza specjalistów to świetne warunki, aby współpracować przy tworzeniu narzędzi opartych na AI. Współpraca z firmami technologicznymi może także przełożyć się na nowe projekty, granty i możliwości wdrożeniowe.
Źródła
WIPO – AI in Drug Development: Helping Transform Clinical Trials
https://www.wipo.int/en/web/global-health/w/blogs/ai-in-drug-development-helping-transform-clinical-trials
Biofourmis – Digital Health & Wearable-Based Monitoring
https://www.biofourmis.com/
Unlearn AI – Digital Twins for Clinical Trials
https://www.unlearn.ai/
Insilico Medicine – AI for Drug Discovery & Target Identification
https://insilico.com/