211service.com
Kliniska prövningar är bättre, snabbare, billigare med big data
I samarbete med Medidata
Kliniska prövningar har aldrig varit mer i allmänhetens ögon än under det senaste året, då världen såg utvecklingen av vacciner mot covid-19, sjukdomen i centrum för 2020 års coronavirus-pandemi. Diskussioner om studiefaser, effekt och biverkningar dominerade nyheterna. Det mest utmärkande för vaccinförsöken var deras hastighet. Eftersom vaccinerna är avsedda för universell distribution är studiepopulationen i princip alla. Den unika egenskapen innebär att rekrytering av tillräckligt många personer för försöken inte har varit det hinder som det vanligtvis är.
Kliniska prövningar är bättre, snabbare, billigare med big data
Ladda ner hela rapporten
En av de svåraste delarna av mitt jobb är att skriva in patienter till studier, säger Nicholas Borys, medicinsk chef för Lawrenceville, NJ, bioteknikföretaget Celsion, som utvecklar nästa generations kemoterapi- och immunterapimedel för lever- och äggstockscancer och vissa typer av hjärna tumörer. Borys uppskattar att färre än 10 % av cancerpatienterna är inskrivna i kliniska prövningar. Om vi kunde få det upp till 20% eller 30%, hade vi förmodligen kunnat ha flera cancerformer erövrade vid det här laget.
Kliniska prövningar testar nya läkemedel, enheter och procedurer för att avgöra om de är säkra och effektiva innan de godkänns för allmän användning. Men vägen från studiedesign till godkännande är lång, slingrande och dyr. Idag använder forskare artificiell intelligens och avancerad dataanalys för att påskynda processen, minska kostnaderna och få effektiva behandlingar snabbare till dem som behöver dem. Och de utnyttjar en underutnyttjad men snabbt växande resurs: data om patienter från tidigare försök
Bygga externa kontroller
Kliniska prövningar involverar vanligtvis minst två grupper, eller armar: en test- eller experimentarm som får den behandling som undersöks, och en kontrollarm som inte gör det. En kontrollarm kanske inte får någon behandling alls, en placebo eller den nuvarande standarden för vård för den sjukdom som behandlas, beroende på vilken typ av behandling som studeras och vad den jämförs med enligt studieprotokollet. Det är lätt att se rekryteringsproblemet för utredare som studerar terapier för cancer och andra dödliga sjukdomar: patienter med ett livshotande tillstånd behöver hjälp nu. Även om de kanske är villiga att ta en risk med en ny behandling, är det sista de vill att de ska randomiseras till en kontrollarm, säger Borys. Kombinera den oviljan med behovet av att rekrytera patienter som har relativt sällsynta sjukdomar – till exempel en form av bröstcancer som kännetecknas av en specifik genetisk markör – och tiden för att rekrytera tillräckligt många kan sträcka ut sig i månader, eller till och med år. Nio av 10 kliniska prövningar världen över – inte bara för cancer utan för alla typer av tillstånd – kan inte rekrytera tillräckligt många personer inom sina måltidsramar. Vissa försök misslyckas helt på grund av brist på tillräckligt många deltagare.
Tänk om forskare inte behövde rekrytera en kontrollgrupp alls och kunde erbjuda den experimentella behandlingen till alla som gick med på att delta i studien? Celsion undersöker ett sådant tillvägagångssätt med Medidata, som har sitt huvudkontor i New York, som tillhandahåller programvara för hantering och elektronisk datainsamling för mer än hälften av världens kliniska prövningar, som betjänar de flesta stora läkemedels- och medicintekniska företag, såväl som akademiska medicinska centra. Medidata förvärvades av det franska mjukvaruföretaget Dassault Systèmes 2019 och har sammanställt en enorm stordataresurs: detaljerad information från mer än 23 000 prövningar och nästan 7 miljoner patienter som går tillbaka cirka 10 år.
Tanken är att återanvända data från patienter i tidigare försök för att skapa externa kontrollarmar. Dessa grupper fyller samma funktion som traditionella kontrollarmar, men de kan användas i miljöer där en kontrollgrupp är svår att rekrytera: för till exempel extremt sällsynta sjukdomar eller tillstånd som cancer, som är överhängande livshotande. De kan också användas effektivt för enarmsförsök, vilket gör en kontrollgrupp opraktisk: till exempel för att mäta effektiviteten av en implanterad enhet eller ett kirurgiskt ingrepp. Den kanske mest värdefulla omedelbara användningen är för att göra snabba preliminära prövningar, för att utvärdera om en behandling är värd att fullfölja till en fullständig klinisk prövning.
Medidata använder artificiell intelligens för att plombera sin databas och hitta patienter som fungerat som kontroller i tidigare försök med behandlingar för ett visst tillstånd för att skapa sin egenutvecklade version av externa kontrollarmar. Vi kan noggrant välja ut dessa historiska patienter och matcha dagens experimentella arm med historiska försöksdata, säger Arnaub Chatterjee, senior vice president för produkter, Acorn AI på Medidata. (Acorn AI är Medidatas data- och analysavdelning.) Försöken och patienterna matchas för studiens mål – de så kallade endpoints, såsom minskad dödlighet eller hur länge patienter förblir cancerfria – och för andra aspekter av studiedesign, såsom typen av data som samlas in i början av studien och längs vägen.
När vi skapar en extern kontrollarm gör vi allt vi kan för att efterlikna en idealisk randomiserad kontrollerad studie, säger Ruthie Davi, vice vd för datavetenskap, Acorn AI på Medidata. Det första steget är att söka i databasen efter möjliga kontrollarmskandidater med hjälp av de viktigaste behörighetskriterierna från undersökningsprövningen: till exempel typen av cancer, sjukdomens nyckelegenskaper och hur avancerad den är, och om det är patientens första gång bli behandlad. Det är i huvudsak samma process som används för att välja kontrollpatienter i en vanlig klinisk prövning - förutom att data som registrerats i början av den tidigare prövningen, snarare än den nuvarande, används för att bestämma behörighet, säger Davi. Vi hittar historiska patienter som skulle kvalificera sig för prövningen om de funnits idag.
Ladda ner hela rapporten.
Detta innehåll producerades av Insights, den anpassade innehållsdelen av MIT Technology Review. Den skrevs inte av MIT Technology Reviews redaktion.