Sådan undgås fejl i kliniske forsøg ved brug af maskinlæring

Svigtningen af ​​mange lægemiddelkandidater i at vinde godkendelse er en enorm bekymring for farmaceutiske virksomheder, især da dette driver de samlede udgifter til lægemiddeludvikling. De vigtigste spørgsmål, der beskæftiger sig med denne bekymring, er: hvad driver disse fiaskosrater? Hvordan kan farmaceutisk industri forbedre produktiviteten, når man flytter lægemiddelkandidater fra laboratorium til klinik?

Faktisk beskrev FDA i marts 2006 kritiske sti muligheder for at modernisere og transformere medikamentudvikling. Udvikle bedre evalueringsværktøjer, strømline kliniske forsøg eller udnytte bioinformatik er blot nogle af de emner, der diskuteres i FDA-rapporten. For at forhindre mislykkethed og etablere et sikkert fase III-forsøg, bør lægemiddelindustrien forbedre deres metodik i det tidlige stadium og den måde, de tænker dataene på. Der er allerede mange banebrydende designs, f.eks. Bayesian, hybrid adaptiv metode eller maskinlæring. Mens mængden af ​​data, der er fanget, er steget dramatisk, hvilket driver fremskridt med Big Data, er der stadig behov for at etablere en effektiv ramme til styring af dataene. I 2016 gav Kaitlin M.Gayvert, Neel S. Madhukar og Olivier Elemento et eksempel på innovativt design, der bruger data til at forudsige succeser og fiaskoer i kliniske forsøg. Denne form for tilgang kan hjælpe kliniske forsøg, hvis fiaskoer er steget markant. Gayvert og al. præsentere en Machine Learning-model, der nøjagtigt forudsiger sandsynligheden for toksicitet over for et lægemiddel ved at integrere de strukturelle og målbaserede egenskaber af dette lægemiddel. Dette værktøj kunne forhindre misbrug af lægemiddeludvikling observeret i avancerede stadier i udviklingen og give interessenter mulighed for at tilpasse prøvestrategien for at undgå spild af tid og penge. Derudover kunne denne metode bruges under overvågning af lægemidler efter godkendelse. Under undersøgelser efter markedsføring, da lægemidlet bruges i en større population, skal toksiciteten faktisk verificeres. Forfattere sagde, at denne tilgang kunne forbedre rørledningen til opdagelse af medikamenter, spare penge og redde liv, men kun hvis flere toksicitetsdata bliver tilgængelige.

Farmaceutisk FoU fungerer normalt kun inden for deres egen afdeling med få udvekslinger med interne samarbejdspartnere og betroede eksterne partnere. Farmaceutiske virksomheder kan udvide deres viden og rationalisere ressourcerne ved at dele med tilgængelige interessenter. Nogle farmaceutiske virksomheder er begyndt at forbedre samarbejdet ved at identificere dataelementer, der skal deles med specifikke sæt af betroede partnere, såsom kontraktforskningsorganisationer (CRO'er).

IVIDATA er en af ​​verdens førende full-service CRO'er. Vi samarbejder med sponsorer i farmaceutiske og bioteknologiske industrier for at levere fuldt integrerede kliniske udviklingstjenester. Som en velkendt specialist, der løser STORE DATA og kunstige intelligensproblemer, fra strategi til slutbruger, med datavidenskab og data-privatliv, er IVIDATA i en relevant position til at reagere på kundernes bekymringer. IVIDATA har passende kommunikationsprocesser på plads til at arbejde effektivt med deres klienter med 2 hovedafdelinger: Biometri og datavidenskab.

  • IVIDATA ekspertise: DATA STRATEGY - STORE DATA

Hovedformålet er at støtte partnere i deres opfølgning af værktøjer og metoder for at svare på følgende to hovedanalyseområder:

  • Beskrivende analyse
  • Forudsigelig analyse
  • IVIDATA-statistik

Biometri-afdelingen gør IVIDATA ekspert i klinisk forsøg gennem viden fra de forskellige konsulenter:

  • biostatistikere
  • Datahåndterer
  • Statistisk programmerer og SAS udvikling

Den farmaceutiske industri gennemgår enorme ændringer, stort set på grund af fremskridt i big data. STORE DATA vil hjælpe farmaceutiske virksomheder med at identificere nye markedsmuligheder, spare penge og forbedre F & U-processen for at frigive mere effektive lægemidler på markedet. IVIDATA har ekspertisen til at forstå de nødvendige elementer og overensstemmelse, der kræves for at bringe et lægemiddel eller en anordning gennem hvert udviklingsstadium og finde effektiviteter ved at strømline processer og nedbryde måden til at tænke og forstå data.

Forfattere:

Mickael Coux & Sybil Pagny

Referencer:

  1. Gayvert, Kaitlyn. (2016). En datastyret tilgang til at forudsige succeser og svigt i kliniske forsøg. Cellekemisk biologi. 23. 10.1016 / j.chembiol.2016.07.023.
  2. Liu, Yitong & Wang, Guang-Ji & Liu, Chang-Xiao. (2020). Introduktion af FDA's hvidbog: Udfordring og mulighed for den kritiske vej til nye medicinske produkter.