FDA는 2023년에 55개의 새로운 약물을 승인했으며, 이러한 승인 덕분에 암, 알츠하이머, ALS 및 기타 조건을 가진 수많은 사람들이 1년 전보다 더 길고 건강한 삶을 누리게 된다. 그러나 시장에 도달하는 신약의 수는 훨씬 더 높았을 수도 있지만, 임상 시험에 참가자를 찾는 것이 그렇게 어려운 것은 아니지만 AI가 이를 해결하는 데 도움을 준다.
실종된 연결
전 세계의 모든 실험실 테스트와 동물 연구는 마약 후보자가 사람들에게 일할 것인지 확실히 알려주는 것이다. 우리는 실제로 사람들에게 테스트해야 하며 이것이 임상 시험의 결과이다.
현재 임상 시험 과정에서 약물은 소수의 사람들에게 먼저 테스트되어 안전하고 이상적인 복용량을 결정한다. 그것이 어떻게 진행되는지에 따라, 대규모 시험이 이어질 것이다. 일반적으로 약물이 위약 또는 기존 치료 옵션에 대해 시험을 수행하여 효능을 찾는 것이다.
FDA는 임상 시험에서 입증되지 않은 신약을 승인하지 않지만 약물을 효과적으로 테스트하기에 충분한 사람들을 모집하고 유지하는 것은 오랫동안 개발자에게 큰 도전이 되어 왔다. 약 90%의 임상 시험 경험이 낮은 등록으로 인한 지연이 지연되었다. 그리고 충분한 참가자를 등록하지 못하는 것이 조기 시험 해지에 주어진 가장 큰 이유이다.
놀랍게도, 문제는 다른 방식으로 진행된다. 희귀 한 질병, 말기 질환 또는 기존 치료에 응답하지 않는 상태가 있는 사람들은 종종 임상 시험을 찾아서 자격이 있는 사람을 찾는 것이 큰 도전이라는 것을 알게 된다.
"스테이크에도 불구하고 환자의 관점에서 볼 때 임상 시험 과정은 인상적으로 깨지고 둔감하며 혼란스럽다."고 응급실 의사인 베스 스틸먼 (Bess Stillman)은 공격적인 유형의 암에 직면하고 있는 남편인 제이크의 임상 시험을 찾는 경험에 대해 글을 썼다.
"[[프로세스는] 내가 아무도 좋아하지 않는 과정이다."라고 그녀는 계속 말한다. "환자는 그렇지 않으며, 가족은 그렇지 않으며, 임상 시험을 운영하는 병원 및 종양 전문의는 그렇지 않으며, 제약 회사는해서는 안되며, 실험을 받기 위해 기다리는 동안 죽는 사람들은 아마도 그렇지 않을 것이다."
의약품 개발자의 시험 참가자를 찾는 데 어려움을 겪고 환자의 시험을 찾는 문제는 단일 원인이 없다. 그러나 그들이 공유하는 한 가지 장애물은 환자와 시험을 위한 현재 접근법이 의료 전문가에게도 시간이 많이 걸리고 노동 집약적이라는 사실이다.
스틸먼은“나는 의사이지만 임상 시험 과정에 휩싸였다.”라고 말한다.
시험은 누가 참여할 수 있고 참여할 수 없는 사람에 대한 매우 엄격한 기준을 가지고 있으며, 학습 직원은 때때로 연구 현장에서 환자의 전자 건강 기록 (EHR)을 통해 사냥을 할 자격이 있는 사람들을 찾기 시작할 것이다.
이것의 도전은 EHR을 필터링하여 특정 연령 또는 특정 상태의 사람들을 보여줄 수 있다는 것이다. 그러나 특정 치료에 어떻게 반응했는지에 대한 중요한 세부 사항은 환자를 치료 한 사람이 텍스트 상자에 입력했을 수 있다.
두 명의 의료 전문가가 다른 언어를 사용하여 동일한 것을 설명할 수 있으므로, 치료 응답이 시험 자격의 핵심이라면, 의료용 링고를 수동으로 검토하고 시험 기준과 일치하는 사람을 이해하는 유일한 방법 일 수 있다.
비효율적이고 인간 검토자는 실수로 자격을 갖춘 환자를 간과할 수 있다. 결국, 그들은 단지 인간일 뿐이다.
한편, 자체적으로 임상 시험을 찾으려고 하는 환자는 일반적으로 NIH의 온라인 시험 데이터베이스 인 ClinicalTrials.gov로 지시된다. 그들은 그것에 대해 알고 있다).
그들의 도전은 채용 담당자와 동일하다. 데이터베이스의 정보는 각 시험을 실행하는 인간이 입력하기 때문에 100% 표준화되지 않았으며 표준화된 상자조차도 항상 같은 방식으로 사용되는 것은 아니다. 예를 들어 특정 암과 싸우려고 하는 경우, 단지 모든 고형 종양과 싸우도록 지정된 약물을 쉽게 놓칠 수 있다.
스틸먼이 그녀의 기사에서 공유했듯이, 그녀는 문구를 약간 변경하면 데이터베이스에서 다른 결과 목록을 얻었다. 예를 들어, “머리와 목 암”은 거의 7,000 개의 시험을 보냈으며“암의 암과 도대체”는 약 4,300 개의 결과를 제공했다.
그런 다음 그녀의 남편이 참여하는 기준을 충족시키는 사람을 파악하기 위해 결과를 수동으로 체로 쳐야 했다.
사용자는 수용 가능한 연령대와 같은 기본 정보로 결과를 필터링 할 수 있지만 이미 화학 요법을 받은 사람들을 받아들이지 않는 시험을 정리할 수는 없다.
인공지능이 구조한다.
스틸먼이 이야기를 공유한 후, 그녀는 알고리즘을 사용하여 환자를 시행한 회사와 연락을 취했지만 시스템은 수동 시도보다 더 나은 것처럼 보이지 않았다. 하나는 그녀에게 5 번의 시험 목록을 보냈고 제이크는 2 명을 대상으로 하지 않았다.
"아이디어가 좋지 않은 소리… 우리가 지금까지 본 것들을 바탕으로 'AI'기술은 아직 없다고 말한다."라고 그녀는 덧붙였다. AI에 대한 데이터 (현재 ClinicalTrials.gov에서 이용할 수 있는 것은 불완전하고 구조화되지 않은 데이터에 따라, 나는 그것이 일어나지 않는다는 것을 알 수 없다.”
그러나 AI의 발전은 LLM (대규모 언어 모델)이라는 새로운 도구 덕분 에이 문제를 해결할 수 있다.
이 AI는 자연어로 작성된 거대한 텍스트 데이터 세트에서 학습하여 자연어로 텍스트를 이해하고 자연스럽게 이해하고 생성하는 방법을 배운다.
그들은 Chatgpt 및 기타 AI 챗봇의 기초이다. 또한 구조화되지 않은 데이터를 이해할 수 있기 때문에 일부 과학자들은 EHRS 및 시험 데이터베이스로 작성된 정보를 사용하여 환자를 시행하고 그 반대의 도전을 극복할 수 있는 큰 잠재력이 있다고 생각한다.
AI를 사용하여 환자를 선별하는 데 약 10 센트의 약물 개발자의 비용이 든다.
예를 들어, 하버드 의과 대학의 연구원들이 이끄는 한 팀은 최근 실제 심부전 시험에 참여하기위한 기준을 충족 한 사람들을 식별하기 위해 교육을 받은 AI인 Preprint Server Medrxiv에 관한 논문을 공유했다.
이 시험에는 6 개의 포함 기준 (환자는 이러한 특정 조건이 있어야 함)과 17 개의 제외 기준 (환자가 없을 수 없음)을 가졌다. 이 23 가지 요구 사항 중 10 개는 EHR (예: 연령 등)의 단순하고 구조화된 데이터를 살펴보면 결정할 수 있으므로 하버드 팀은 다른 13에 집중하기로 결정하여“현재 겪고 있는 환자와 같은 AI에 대한 프롬프트를 설계했다. 투석?" 그리고 "환자는 현재 임신 중이거나 모유 수유를 하는가?"
AI가 이러한 질문에 정확하게 답변하도록 하려면 환자의 EHR의 임상의 메모 내에서 관련 데이터를 찾도록 교육해야 했다. 그런 다음 환자가 기준을 충족했는지 여부를 결정하기에 충분한 정보를 이해할 수 있어야 했다.
AI를 테스트하기 위해, 그들은 결정을 심부전 연구의 인간 직원과 전문 임상의가 도달한 결론과 비교했다. 전문가의 답변은 "골드 표준"으로 간주되었으며 AI와 직원 모두 전문가의 판단과 밀접하게 일치했지만 AI는 약간 더 나은 일치를 했다.
더 중요한 것은 또한 저렴했다. Microsoft는 연구를 위해 OpenAI의 GPT-4 LLM에 액세스를 기부했지만 이 팀은 시스템을 사용하여 환자를 선별하는 데 약 10 센트의 약물 개발자와 현재 가격으로 시스템에 대한보다 유능한 업데이트 인 GPT-4 터보가 비용을 지불할 것이라고 결정했다.
LLM은 또한 환자가 임상 시험을 찾는 데 도움을 줄 수 있다.
2023년 4월, 환자와 시험에 맞는 의료 회사인 Mytomorrows는 의사가 환자들에게 가치 있는 시험을 신속하게 찾을 수 있도록 설계된 LLM 기반 도구인 Trialsearch AI를 시작했다. 회사는 프리 프린트 서버 ARXIV의 논문에 시스템을 자세히 설명한다.
TrialSearch AI를 사용하려면 의사는 구조화되지 않은 텍스트로 작성된 환자의 병력 요약을 시스템에 공급한다. 그런 다음 AI는 ClinicalTrials.gov 및 EudRact (유럽 연합의 임상 시험의 온라인 데이터베이스)를 검색하여 환자가 가입할 자격이 있는 시험을 식별한다.
몇 분 안에 의사는 검토할 시험 목록을 갖게 된다.
Mytomorrows는“[T] 그는 의사에게 귀중한 시간을 절약한다. "의사는 투명하고 개인화 된 결과를 기반으로 여전히 정보에 입각한 결정을 내릴 수 있으며, MyTomorrows 엔드 투 엔드 플랫폼을 사용하여 환자의 추천을 직접 만들 수 있다."
큰 그림
이 LLM 중 어느 것도 완벽하지 않다.
예를 들어, 정류기는 때때로 시험 자격의 핵심 의사 노트에서 작은 뉘앙스를 놓쳤으며, 시험 검색 AI는 데이터베이스에 나열된 별도의 포함 및 제외 기준이 있는 시험만 평가할 수 있다. 그리고 모든 게시된 시험의 약 30%가 그렇지 않으며, BAD 기본 데이터베이스가 여전히 AI에게 큰 도전이라는 스틸먼의 관찰에 찬성하는 시점이다.
"임상 시험이 시작될 때 환자 가용성의 발생률은 급격히 감소하고 시험이 완료되자마자 원래 수준으로 돌아간다." 라자냐의 법칙 (1970)
그들이 설계된대로 정확하게 작동하더라도 AIS는 현재 임상 시험 시스템의 모든 문제를 해결하기 시작할 수 없다.
예를 들어, 시험 등록이 낮은 것은 의료 역사가 적합한 사람들을 찾는 데 어려움을 겪는 의사 때문이 아니다. 잠재적인 참가자는 종종 재판에 참여하는 재정적 및 물류 장벽에 직면하여 등록률을 향상시킬 수 있다.
환자의 경우, 자격이 있는 일부 시험을 식별하는 것은 특정 상황에 대한 최상의 시험을 찾는 것과 다르다. 스틸먼과 그녀의 남편은 값 비싼 전문가 에일린(Eileen)을 고용한 후에만 선택하여 많은 시간을 보내고 가장 유망한 시련으로 옵션을 연구하고 좁히는 데 많은 시간을 보냈다.
그러나 앞으로 AI 도구가 일치하는 프로세스 속도를 높이는 데 도움이 될 수 있다면 에일린과 같은 전문가는 더 많은 환자를 도울 수 있으며 다른 많은 그룹이 LLM을 사용하여 환자와 시험에 맞는 방법을 모색하고 있다.
초기 결과를 바탕으로 기술은 더 많은 약물 시험이 실패를 피하고 더 많은 환자가 시험을 찾도록 도울 수 있는 잠재력을 가지고 있는 것 같다.
그리고 LLM 이이 잠재력에 부응한다면, 우리 모두가 더 길고 건강한 삶을 살도록 도와줄 수 있는 약물을 의미할 수 있다.
