选择人工智能将迎来更具效益的临床试验新时代

 

在过去几年里，临床试验发生了重大变化。随着药物和设备以及它们试图影响的条件变得越来越复杂，临床试验的设计和结构也变得越来越复杂。但是，改变治疗方案的成本也很高，确定和招募合适的患者并不是一件容易的事，尤其是在以罕见疾病为目标的情况下。那么，组织团队如何跟上这种快速变化的步伐呢?

 

制药厂商、生物技术公司和首席风险官在试验过程的各个阶段都采用新技术来应对这些挑战;但具有讽刺意味的是，其中一些新技术带来了新的挑战，例如生成的数据量太大这个问题。

 

来自临床就诊的信息和图像、数字化语音记录，以及每秒从患者佩戴设备输出的读数数据，创建了一个恒定的数据流。如今的数据量已经高达上TB甚至ZB，使得传统医疗系统和人工管理方法难以应对。虽然可以在数据仓库和数据池中捕获和存储所有这些信息，但其问题仍然存在：如何清理、处理、管理和评估这些数据，以提取其中的见解?

 

实现高效设计的人工智能

 

其答案在于人工智能(AI)和机器学习(ML)的应用。人工智能不仅可以比传统方法更快地处理数据，而且可以改变数据的使用方式。除了机器学习(ML)之外，人工智能将教会不同的系统解释和理解数据，促使技术不断进步。人工智能将避免过去的设计错误，并创造全新的尝试。

 

为了了解人工智能(AI)和机器学习(ML)在临床试验中的全部潜力，需要首先考虑它们如何帮助方案设计。由人工审查先前的研究、制定设计并处理无休止的修改是一个耗时且容易出错的过程。人工智能(AI)和机器学习(ML)技术相结合，可以在更短的时间内准确地完成工作。通过快速有效地查看所有可用的历史数据，这两种技术可以发现由先前的协议和研究中期更改产生的所有问题，以完全优化协议的构建，从而确保不会出现以往的问题。

 

例如，许多协议定义的年龄组患者不够广泛，无法招够所需的特定病症患者。通过使用机器学习(ML)技术，可以根据以前的研究来确定扩大的年龄组，以优化招募。以这种方式自动化构建试验可以消除障碍，例如研究中的变更、对治疗方案的误解、人为错误，以及其他最终延迟将药物推向市场的问题。其结果是提供一个更精确、更好的协议，可能需要最少的更改，从而节省花费在更改请求的大量费用。

 

应对数据风暴

 

一旦试验开始，人工智能就成为管理数据流的关键。

 

虽然传统的试验涉及到通过一系列的现场临床诊断收集的数据，但这些事件不再是在临床试验中收集患者数据的唯一数据点。人们正在进入这样一个世界：传统的网站访问将由患者佩戴的智能设备提供的数据进行补充，这些设备可以在一天内多次发送读数，甚至可以连续发送读数。在未来，这些信息可以通过诸如天气、空气质量、病人的位置甚至他们在任一时刻的活动水平等环境因素等外部数据进行补充。

 

在临床试验中使用现实世界的数据代表了医疗行业的巨大模式转变。每个登记的患者可能每周甚至每天都会创建数百或数千至数百万个数据点。如此庞大的数据量远远超过了人类所能处理或管理的信息，因此外包或将更多的人力资源投入到该问题已不再可持续或有效。但是借助人工智能技术，可以在记录时间内分析大量数据。仔细检查大型数据集中的每条信息，检查是否存在潜在问题，并与统计规范进行比较以排除异常值，同时还可以识别丢失的数据点，而所有这些都是以人类无法实现的速度进行的。