AI als gamechanger in Life Sciences & Health- Deel 2
Klinische trials zijn een cruciale stap in de ontwikkeling van nieuwe geneesmiddelen, maar tegelijkertijd ook een van de meest complexe en kostbare processen in de farmaceutische industrie. Het selecteren van de juiste patiënten, het monitoren van behandelingsresultaten en het waarborgen van de veiligheid vergen aanzienlijke tijd en middelen. Hier komt AI om de hoek kijken als gamechanger. Door slimme technologieën in te zetten, kunnen farmaceutische bedrijven deze uitdagingen beter aanpakken, waardoor klinische studies efficiënter, veiliger en effectiever worden. In dit deel van de blog bespreken we hoe AI het potentieel heeft om klinische trials fundamenteel te verbeteren en de weg vrij te maken voor snellere en betere innovaties in de gezondheidszorg.
Klinische trials
Het identificeren van de juiste patiënten voor een klinische trial is een complex en tijdrovend proces. Het monitoren van de respons op een behandeling en eventuele bijwerkingen brengt daarnaast aanzienlijke kosten met zich mee. AI-technologie biedt geneesmiddelenproducenten kansen om deze uitdagingen aan te pakken en de efficiëntie en effectiviteit van klinische studies te verbeteren.1,2
- Patiëntenselectie: AI kan enorme datasets, zoals digitale medische gegevens, genetische profielen en gezondheidsachtergrond, analyseren om subpopulaties van patiënten te identificeren die waarschijnlijk het meest baat hebben bij een nieuw geneesmiddel. Dit verkleint niet alleen de kans op inclusie van niet-geschikte kandidaten, maar verhoogt ook de kans op positieve resultaten. Tools zoals natuurlijke taalverwerking (NLP) kunnen medische teksten en artsverslagen screenen om potentiële deelnemers te vinden.
- Realtime monitoring: AI-gedreven systemen kunnen draagbare apparaten en sensoren raadplegen om de gezondheid van deelnemers continu te monitoren, waardoor afwijkingen of bijwerkingen vroegtijdig worden gedetecteerd. Dit draagt bij aan een verbeterde patiëntveiligheid.
- Voorspellen van bijwerkingen: AI-algoritmen kunnen patronen herkennen in patiëntendata die wijzen op ongewenste bijwerkingen, zelfs voordat deze klinisch significant worden. Hierdoor kunnen artsen preventieve maatregelen nemen en worden risico’s voor patiënten geminimaliseerd. Ook kan op deze wijze worden voorkomen dat de studie vroegtijdig moet worden stopgezet.
- Efficiënte datamanagement: Met behulp van machine learning kunnen grote hoeveelheden onderzoeksgegevens snel worden verwerkt en geanalyseerd, waardoor onderzoekers beter inzicht krijgen in de resultaten. Een bijkomend voordeel is dat AI ook patronen kan identificeren die menselijke onderzoekers mogelijk over het hoofd zien.
In de praktijk: AI in klinische trials
Farmaceutische bedrijven kunnen door AI slim in te zetten niet alleen kosten verlagen en processen versnellen, maar ook bijdragen aan betere behandelresultaten en een hogere kans op succesvolle introductie van innovatieve geneesmiddelen. Een mooi voorbeeld is hoe het farmaceutische bedrijf Johnson & Johnson (J&J) al een tijdlang gebruikmaakt van AI in klinisch onderzoek. In een recent interview zei Hans Verstraete (Senior Directeur Data Science J&J):
“AI kan medische beelden screenen op specifieke mutaties en zo sneller voorspellen welke kankerpatiënten baat zouden hebben bij deelname aan een klinische studie. Daarnaast zie je in de sector dat farmabedrijven klinische studies gemiddeld 5-10% sneller kunnen uitvoeren met steun van AI. Ook farmabedrijven winnen hierbij, omdat zij die klinische studies bekostigen.”3
In het volgende deel van deze blog worden de toepassingen van AI in de diagnostiek besproken.
Referenties
- Mourya A, et al. AI-powered clinical trials and the imperative for regulatory transparency and accountability. Health Technol. 2024;1071–1081.
- Hutson M. How AI is being used to accelerate clinical trials. Nature. 2024;627:S2-S5.
- AI versnelt medicijnontwikkeling, maar is geen wonderpil | De Tijd