BAYER AG 
Menselijk onderzoek is het duurste en meest tijdrovende onderdeel van de ontwikkeling van medicijnen, omdat het jaren kan duren om patiënten te werven en nieuwe medicijnen te testen in een proces dat meer dan een miljard dollar kan kosten vanaf de ontdekking van een medicijn tot aan de eindstreep.
Farmaceutische bedrijven experimenteren al jaren met AI in de hoop dat machines het volgende kaskrakergeneesmiddel kunnen ontdekken. Een paar door AI uitgekozen verbindingen zijn nu in ontwikkeling, maar het zal nog jaren duren voordat deze weddenschappen uitgespeeld zijn.
Uit interviews van Reuters met meer dan een dozijn leidinggevenden van farmaceutische bedrijven, toezichthouders op geneesmiddelen, deskundigen op het gebied van volksgezondheid en AI-bedrijven blijkt echter dat de technologie een grote en steeds grotere rol speelt bij het testen van geneesmiddelen op mensen.
Bedrijven zoals Amgen, Bayer en Novartis trainen AI om miljarden openbare gezondheidsdossiers, receptgegevens, medische verzekeringsclaims en hun interne gegevens te scannen om proefpatiënten te vinden - in sommige gevallen wordt de tijd die nodig is om ze aan te melden gehalveerd.
"Ik denk niet dat het al wijdverbreid is," zegt Jeffrey Morgan, managing director bij Deloitte, dat de biowetenschappenindustrie adviseert. "Maar ik denk dat we het experimentele stadium voorbij zijn."
De Amerikaanse Food and Drug Administration (FDA) zei dat het van 2016 tot en met 2022 ongeveer 300 aanvragen had ontvangen waarin AI of machine learning was verwerkt in de ontwikkeling van geneesmiddelen. Meer dan 90% van deze aanvragen kwam in de afgelopen twee jaar en de meeste waren voor het gebruik van AI op een bepaald punt in de klinische ontwikkelingsfase.
ATOMISCHE AI
Voordat er sprake was van AI, stuurde Amgen maandenlang enquêtes naar artsen van Johannesburg tot Texas om te vragen of een kliniek of ziekenhuis patiënten had met relevante klinische en demografische kenmerken om deel te nemen aan een trial.
Bestaande relaties met faciliteiten of artsen zouden vaak de doorslag geven bij de beslissing welke onderzoekslocaties geselecteerd worden.
Deloitte schat echter dat ongeveer 80% van de onderzoeken hun wervingsdoelen niet halen omdat klinieken en ziekenhuizen het aantal beschikbare patiënten overschatten, er een hoog uitvalpercentage is of patiënten zich niet aan de onderzoeksprotocollen houden.
De AI-tool van Amgen, ATOMIC, doorzoekt stapels interne en openbare gegevens om klinieken en artsen te identificeren en te rangschikken op basis van prestaties in het verleden bij het werven van patiënten voor onderzoeken.
Het inschrijven van patiënten voor een trial in het middenstadium kan tot 18 maanden duren, afhankelijk van de ziekte, maar ATOMIC kan dat in het beste geval halveren, vertelde Amgen aan Reuters.
Amgen heeft ATOMIC gebruikt in een handvol onderzoeken om medicijnen te testen voor aandoeningen zoals hart- en vaatziekten en kanker, en streeft ernaar om het tegen 2024 voor de meeste onderzoeken te gebruiken.
Het bedrijf zei dat het verwacht dat tegen 2030 AI zal hebben geholpen om twee jaar af te schaven van het decennium of langer dat normaal nodig is om een medicijn te ontwikkelen.
De AI-tool die Novartis gebruikt, heeft ook het inschrijven van patiënten voor onderzoeken sneller, goedkoper en efficiënter gemaakt, aldus Badhri Srinivasan, hoofd van wereldwijde ontwikkelingsactiviteiten. Maar hij zei dat AI in deze context slechts zo goed is als de gegevens die het oplevert.
Over het algemeen is minder dan 25% van de gezondheidsgegevens openbaar beschikbaar voor onderzoek, volgens Sameer Pujari, een AI-expert bij de Wereldgezondheidsorganisatie.
EXTERNE CONTROLE WAPENS
De Duitse geneesmiddelenproducent Bayer zei dat het AI had gebruikt om het aantal benodigde deelnemers met enkele duizenden te verminderen voor een onderzoek in een laat stadium naar asundexian, een experimenteel geneesmiddel dat het langetermijnrisico op beroertes bij volwassenen moet verminderen.
Bayer gebruikte AI om de resultaten van de tussentijdse studie te koppelen aan gegevens van miljoenen patiënten in Finland en de Verenigde Staten om de langetermijnrisico's te voorspellen in een populatie die vergelijkbaar is met de studie.
Gewapend met deze gegevens startte Bayer de studie in het laatste stadium met minder deelnemers. Zonder AI zou Bayer miljoenen meer hebben uitgegeven en zou het negen maanden langer hebben geduurd om vrijwilligers te werven.
Nu wil het bedrijf nog een stap verder gaan.
Voor een onderzoek om asundexian te testen bij kinderen met dezelfde aandoening, zei Bayer dat het van plan is om gegevens van echte patiënten te gebruiken om een zogenaamde externe controlearm te genereren, waardoor patiënten mogelijk geen placebo meer hoeven in te nemen.
De reden hiervoor is dat de aandoening zo zeldzaam is in deze leeftijdsgroep dat het moeilijk zou zijn om patiënten te werven en dat er bezorgdheid zou kunnen ontstaan over de vraag of het ethisch verantwoord is om deelnemers aan het onderzoek een placebo te geven als er geen bewezen behandelingen beschikbaar zijn.
In plaats daarvan wil Bayer geanonimiseerde gegevens uit de echte wereld van kinderen met vergelijkbare kwetsbaarheden verzamelen.
Bayer zei dat het hoopte dat dit genoeg zou zijn om te bepalen hoe effectief het medicijn is. Het vinden van patiënten uit de echte wereld door het verzamelen van elektronische patiëntgegevens kan handmatig worden gedaan, maar het gebruik van AI versnelt het proces aanzienlijk.
Hoewel het ongebruikelijk is, zijn er in het verleden al externe controlegroepen gebruikt in plaats van de traditionele gerandomiseerde controlegroepen waarbij de helft van de deelnemers een placebo inneemt - voornamelijk voor zeldzame ziekten waarbij er weinig patiënten zijn of geen bestaande behandelingen.
Het medicijn Blincyto van Amgen, ontworpen voor de behandeling van een zeldzame vorm van leukemie, werd in de VS goedgekeurd nadat deze aanpak was toegepast, hoewel het bedrijf een vervolgonderzoek moest uitvoeren om het voordeel van het medicijn te bevestigen toen het eenmaal te koop was.
Blythe Adamson, senior hoofdwetenschapper bij Roche-dochteronderneming Flatiron Health, zei dat het voordeel van AI was dat wetenschappers hiermee snel en op grote schaal gegevens van patiënten uit de echte wereld kunnen onderzoeken.
Ze zei dat het met traditionele methoden maanden kon duren om gegevens van 5000 patiënten door te spitten: "Nu kunnen we dezelfde dingen voor miljoenen patiënten in dagen leren."
RISICO OP OVERSCHATTING
Geneesmiddelenproducenten vragen meestal vooraf toestemming aan regelgevende instanties om een geneesmiddel te testen met behulp van een externe controlearm.
Bayer zei dat het in gesprek was met regelgevende instanties, zoals de FDA, over het nu vertrouwen op AI om een externe arm te creëren voor zijn pediatrisch onderzoek. Het bedrijf gaf geen verdere details.
Het Europees Geneesmiddelenbureau (EMA) zei dat het geen aanvragen had ontvangen van bedrijven die AI op deze manier willen gebruiken.
Sommige wetenschappers, waaronder de oncologiechef van de FDA, maken zich zorgen dat medicijnfabrikanten zullen proberen om AI te gebruiken om externe armen te creëren voor een breder scala aan ziekten.
"Als je een arm zonder randomisatie vergelijkt met een andere arm, ga je ervan uit dat je in beide dezelfde populaties hebt. Dat houdt geen rekening met het onbekende," zei Richard Pazdur, directeur van het Oncology Center of Excellence van de FDA.
Patiënten in onderzoeken hebben de neiging om zich beter te voelen dan mensen in de echte wereld, omdat ze geloven dat ze een effectieve behandeling krijgen en ook meer medische aandacht krijgen, wat op zijn beurt het succes van een medicijn kan overschatten.
Dit risico is een van de redenen waarom regelgevende instanties vaak aandringen op gerandomiseerde onderzoeken, omdat alle patiënten geloven dat ze het medicijn krijgen, ook al krijgt de helft een placebo.
Gen Li, oprichter van klinische gegevensanalysefirma Phesi, zei dat veel bedrijven het potentieel van AI onderzoeken om de noodzaak van controlegroepen te verminderen.
Regelgevers zeggen echter dat hoewel AI het potentieel heeft om het klinische onderzoeksproces te verbeteren, de bewijskrachtige normen voor de veiligheid en effectiviteit van een geneesmiddel niet zullen veranderen.
"De belangrijkste risico's van AI zijn dat we ervoor willen zorgen dat we niet het verkeerde antwoord krijgen op de vraag of een medicijn werkt," zei John Concato, associate director voor real-world evidence analytics in het Office of Medical Policy in het Center for Drug Evaluation and Research van de FDA. (Verslaggeving door Natalie Grover en Martin Coulter in Londen; Aanvullende rapportage door Julie Steenhuysen in Chicago; Bewerking door Josephine Mason en David Clarke)
