Σύμφωνα με την
Taconic Biosciences, μόνο το 12 τοις εκατό των υποψηφίων για χρήση φαρμάκων που εισέρχονται στο στάδιο των κλινικών δοκιμών εγκρίνονται από τους ρυθμιστικούς φορείς. Οι κλινικές δοκιμές, το μακρύτερο και πιο δαπανηρό στάδιο της διαδικασίας δημιουργίας φαρμάκων, περιλαμβάνουν πολλαπλές φάσεις δοκιμών σε ανθρώπους και κάθε φάση περιλαμβάνει εκατοντάδες ή χιλιάδες συμμετέχοντες.
Η παραδοσιακή γραμμική διαδικασία τυχαιοποιημένων ελεγχόμενων δοκιμών (RCT) δεν έχει αλλάξει εδώ και δεκαετίες. Μειονεκτεί όσον αφορά την ευελιξία, την ταχύτητα και την αναλυτική ισχύ που είναι απαραίτητες, ώστε να ευδοκιμήσει το μοντέλο της ιατρικής εξατομικευμένης στόχευσης. Οι εταιρείες δυσκολεύονται να βρουν τους κατάλληλους συμμετέχοντες, για να μην αναφερθούμε στην πρόσληψη, τη διατήρηση και την αποτελεσματική διαχείρισή τους. Αυτή η αναποτελεσματικότητα της διαδικασίας συμβάλλει σημαντικά στην αύξηση του κόστους ανακάλυψης και ανάπτυξης φαρμάκων, καθώς και σε χαμηλά ποσοστά έγκρισης. Επίσης, εμποδίζει την καινοτομία.
Οι φαρμακευτικές εταιρείες μπορούν να χρησιμοποιήσουν προγνωστικά μοντέλα AI σε ολόκληρη τη φάση των κλινικών δοκιμών της ανάπτυξης φαρμάκων, από τον σχεδιασμό μέχρι την ανάλυση δεδομένων, ώστε να βοηθήσουν:
- Στον εντοπισμό των κατάλληλων ασθενών, αξιοποιώντας δημοσίως διαθέσιμο περιεχόμενο.
- Στην αξιολόγηση των επιδόσεων των χώρων δοκιμών σε πραγματικό χρόνο.
- Στην αυτοματοποίηση των ανταλλαγών δεδομένων σε διάφορες πλατφόρμες.
- Στην παροχή δεδομένων για τις τελικές αναφορές.
Η σύζευξη αλγορίθμων με αποτελεσματική τεχνολογική υποδομή διασφαλίζει ότι η συνεχής ροή κλινικών δεδομένων καθαρίζεται, συγκεντρώνεται, αποθηκεύεται και διαχειρίζεται αποτελεσματικά. Έτσι, οι ερευνητές μπορούν να κατανοήσουν καλύτερα την ασφάλεια και την αποτελεσματικότητα του φαρμάκου χωρίς να χρειάζεται να συγκεντρώνουν και να αναλύουν μη αυτόματα τα τεράστια σύνολα δεδομένων που παράγονται από τις δοκιμές.
