Künstliche Intelligenz revolutioniert Arzneimittelentwicklung

Mittlerweile haben auch die Biowissenschaften die Vorteile von KI erkannt, was insbesondere durch Cloud- und Big-Data-Technologien begünstigt wurde. Durch die Konsolidierung der Daten in der Cloud erhalten Pharmaunternehmen Zugriff auf immer mehr hochwertige Daten, die zum maschinellen Lernen in der Arzneimittelentwicklung verwendet werden können. Auf Basis dieser Daten können Zusammenhänge erkannt, Muster definiert, Prognosen aufgestellt und dadurch Entscheidungen effektiver und schneller getroffen werden. Dr. de Zegher, Vice President Engineering bei Paraxel, erklärt, in welchen Bereichen die Pharmaindustrie von KI profitieren und so die digitale Transformation in der Medikamentenentwicklung vorantreiben kann:

• Minderung von Humanrisiken und Zeitersparnis: KI kann in allen Phasen der Arzneimittelentwicklung und der Durchführung von Studien von Nutzen sein, in denen es notwendig ist, aus vorhandenem Wissen oder Daten zu „lernen“ und zu entscheiden. Dazu gehört die schnellere Identifizierung einer geeigneten Wirkstoffdosis nach pharmakokinetischen und pharmakodynamischen Kriterien. Dadurch können Forscher humanbasierte Studien durch „in silico“-Tests ersetzen und so das potentielle Risiko für Freiwillige während der Phase-1-Studien, in denen die Dosierung von Medikamenten festgelegt wird, erheblich minimieren.
• Optimierung von Protokollen: KI kann auch zur Optimierung von Protokollen eingesetzt werden, indem verschiedene klinische Studiendesigns simuliert und das am besten geeignete Design unter Berücksichtigung der Patientenpopulation, der Hinweise auf Krankheiten und der Erfahrungen aus früheren ähnlichen Studien ermittelt wird.
• Optimierung des Versorgungsmanagements bei Arzneimitteln: Gerade bei kostspieligen Arzneimitteln ist eine Just-in-Time-Versorgung an den Forschungsstandorten nötig, jegliche Verschwendung sollte vermieden werden. Die Nachfrage nach Medikamenten ist allerdings abhängig von Faktoren wie Patientenrekrutierung und -bindung sowie Studiendesign und potentielle Versorgungs- und Wartungsengpässe. Aufgrund bereits erlangter Erkenntnisse vorheriger Studien können KI-basierte Modellierungs- und Simulationsansätze zur Prognose und Optimierung des Arzneimittelbedarfs verwendet werden.
• Beschleunigte Datenerfassung: KI ermöglicht zudem die Integration von Daten aus verschiedenen Arten von Quellen. Natural-Language-Processing(NLP)-Techniken unterstützen die Extraktion und Transformation von unstrukturiertem Text in analysefähige Datensätze. Machine Learning erleichtert die Datenumwandlung in ein einziges Standardformat. Damit erhöht sich das Potential von klinischen Hybridstudien, bei denen auch die Integration realer Daten, wie denen der elektronischen Krankenakte, automatisiert werden und so auf viele Länder und Regionen ausgedehnt werden können.
• Bindung und Compliance von Studienteilnehmern: Oft ist es schwierig Probanden für klinische Studien anzuwerben. Deshalb ist es sehr wichtig, die Anzahl der Studienabbrecher besonders bei kostenintensiven Studien gering zu halten. Mit Hilfe von maschinellem Lernen lässt sich das Risiko eines Abbruchs oder einer Nichteinhaltung einer Therapie vorhersagen. Dies erleichtert Forschungsteams die Entscheidung, auf welche Patienten sie sich gezielt konzentrieren sollten. Auch die Bereitstellung von Bots wie Sprachassistenten, die Probanden während der gesamten Studie Fragen beantworten, kann Patientenzufriedenheit und ihre Therapietreue steigern.

Die Einsatzmöglichkeiten von KI in der Arzneimittelentwicklung und klinischen Studien sind vielfältig und können dazu beitragen, den Prozess der Medikamentenentwicklung zu verkürzen, was sich wiederum in den sinkenden Kosten widerspiegelt. Um künftig konkurrenzfähig zu bleiben, müssen Pharmaunternehmen also bereit sein, Organisationsstrukturen zu verändern, um diese Technologien effektiv nutzen zu können.