Das Potenzial des KI-Einsatzes in der klinischen Entwicklung und bei Arzneimittelstudien

Die Entwicklung eines Arzneimittels von der ersten Identifizierung über die behördliche Zulassung bis hin zur Markteinführung erfordert erhebliche Ressourcen, darunter Zeit, Geld und Koordination.Der Prozess vom Screening potenzieller Verbindungen über die Nominierung von Kandidaten und klinische Studien am Menschen bis hin zur behördlichen Zulassung kann durchschnittlich 12 bis 15 Jahre dauern.¹.

KI in der Arzneimittelforschung und frühen Entwicklungsphase

Der Prozess der Arzneimittelentwicklung beginnt mit der Grundlagenforschung, der Suche nach dem richtigen Ziel für ein bestimmtes medizinisches Problem. KI in Studien verbessert die frühe Arzneimittelentdeckung, indem sie das Screening von Verbindungen und die Identifizierung führender Kandidaten beschleunigt. In der Vergangenheit war zur Identifizierung einer Leitverbindung die Untersuchung tausender chemischer Strukturen im Labor erforderlich.². Darauf folgt eine Reihe weiterer Tests, um die Leitsubstanz zu optimieren und sie für klinische Tests vorzubereiten. Dazu gehört auch die Optimierung der Arzneimitteleigenschaften im Hinblick darauf, wie das Arzneimittel im Körper und mit seinem Ziel interagieren kann.

Nach diesen Schritten, Der Hauptkandidat wird in klinischen Studien getestet, um festzustellen, ob es eine sichere und wirksame Dosis für Patienten gibt. Der klinische Studienprozess selbst kann Jahre dauern und ist recht teuer. Schon zu diesem Zeitpunkt kann es zu einer hohen Ausfallrate kommen. Das bedeutet Das Medikament ist in der gewünschten Dosierung möglicherweise nicht sicher oder weist keine Wirksamkeit für den beabsichtigten medizinischen Zweck auf. Zustand³. Bei der Entwicklung von Krebsmedikamenten werden die Forschungs- und Entwicklungskosten für die Markteinführung eines erfolgreichen Medikaments auf 0.9 bis 2.1 Millionen US-Dollar geschätzt. Billion⁴. Daher ist die Suche nach effizienteren Wegen, um Patienten neue Therapien zugänglich zu machen, ein fortwährendes Bestreben. Künstliche Intelligenz (KI) kann dabei in der gesamten Arzneimittelentwicklung hilfreich sein.

KI kann die Arzneimittelentwicklung auf verschiedene Weise erleichtern, darunter maschinelles Lernen (ML) und natürliche Sprachverarbeitung (NLP). ML ist ein Teilgebiet der KI, „das es Computern ermöglicht, zu lernen, ohne explizit programmiert“⁵  wie das Analysieren von Daten oder das Kategorisieren von Bildern. NLP ist eine KI, die es Computern und digitalen Geräten ermöglicht, Text und Rede"⁶.

Vor Tests am Menschen: KI bei der Wirkstoffprüfung und -optimierung

1. KI im Wirkstoffscreening zur Identifizierung führender Kandidaten

KI kann die Entdeckung neuer Medikamente beschleunigen, indem sie zahlreiche chemische Strukturen analysiert, um die vielversprechendsten Kandidaten zu identifizieren. So können Forscher früher mit der Erprobung potenzieller Medikamente beginnen. Programme wie AlphaFold verbessern die Intelligenz klinischer Studien, indem sie die dreidimensionale Struktur von Proteinen anhand ihrer Aminosäuresequenz vorhersagen. Durch eine verbesserte Vorhersage der Proteinstruktur können Medikamente besser auf dieses Protein ausgerichtet entwickelt werden. Dadurch verringert sich die Anzahl der für das Laborscreening erforderlichen chemischen Strukturen, was zu einer höheren Effizienz und geringeren Kosten führt.

2. In-silico-Experimente zur Verbindungsoptimierung

KI kann simulieren, wie eine Leitsubstanz und ihre Modifikationen im menschlichen Körper interagieren könnten. Diese Simulationen können die Zeitpläne erheblich verkürzen, indem sie notwendige strukturelle Änderungen vor der Bestätigung durch das Labor identifizieren. Es wurden Studien⁷.

Sobald der optimierte Leitkandidat für klinische Tests in Studien am Menschen bereit ist, verbessert der Einsatz von KI in der klinischen Entwicklung mehrere Aspekte, darunter Studiendesign, Patientenrekrutierung und Personalisierung der Behandlung. 

3. KI-Einsatz in der klinischen Entwicklung und bei Studien 

KI kann das Design klinischer Studien durch die Analyse umfangreicher Daten aus der Vergangenheit und realer Beweise (Real World Evidence, RWE) verbessern. Diese Analyse kann Forscher auf potenzielle Risiken und Fallstricke bei der Patientenaufnahme und den Eignungskriterien aufmerksam machen und so weitere Studien ermöglichen Duplikatsentfernung, Harmonisierung und Optimierung auf Artikelebene⁷. In bestimmten Situationen kann dies auch die Einbeziehung eines synthetischen Kontrollarms in die Studie ermöglichen. Ein synthetischer Kontrollarm kann die Aufnahme von Patienten in den Standardbehandlungsarm der Studie durch die Nutzung von RWE aus anderen Quellen überflüssig machen. Dies könnte die Kosten einer klinischen Studie um bis zu 50 % senken (da nur die Hälfte der ursprünglichen Patientenzahl aufgenommen werden müsste) und die Genehmigung um bis zu 1.5 % beschleunigen. Jahre⁸. Es ist zu beachten, dass synthetische Kontrollarme wahrscheinlich für Situationen reserviert werden, in denen es einen etablierten Behandlungsstandard und einen ziemlich vorhersehbaren Krankheitsverlauf gibt.

4. Suche nach potenziell geeigneten Patienten

KI kann auch bei der Identifizierung geeigneter Patienten für klinische Studien helfen, was eine aufwändige und anspruchsvolle Aufgabe ist. Die Rekrutierung für klinische Studien ist schwierig und komplex. Viele KI-Medikamente in klinischen Studien nutzen KI-gesteuerte Algorithmen, um Krankenakten zu analysieren und potenzielle Teilnehmer⁷. Sobald Patienten identifiziert und für die Studie geeignet sind und mit der Teilnahme beginnen, ist es wichtig, sie zu binden, aktiv zu bleiben und die Studienanforderungen einzuhalten. Wenn zu viele Patienten die Studie abbrechen oder vorzeitig beenden, kann dies die Zuverlässigkeit der Studie beeinträchtigen. Darüber hinaus werden KI-Tools eingesetzt, um die Studienteilnahme der eingeschriebenen Patienten auf dem richtigen Weg zu halten. Anforderungen⁷.

5. Personalisierung der Behandlung

KI kann Daten über die Gene, Biomarker und Krankengeschichte eines Patienten verwenden, um die wirksamsten Behandlungen vorherzusagen. Um noch weiter zu gehen, kann KI auch vorhersagen, wie ein Patient reagieren könnte auf Behandlungen⁹ oder informieren Sie Ihren Arzt über eine mögliche Nebenwirkung, die eine Änderung der Behandlungen¹⁰.

6. Zukünftige Möglichkeiten der KI in klinischen Studien

KI wird bei der Nutzung von KI zur Beschleunigung klinischer Studien eine größere Rolle spielen. Darüber hinaus könnte KI dazu beitragen, die Einreichung und Prüfung von Zulassungsanträgen zu beschleunigen und so die Zeit bis zur behördlichen Zulassung neuer, sicherer und wirksamer Medikamente für Patienten weiter zu verkürzen.

Fallstudie: KI in klinischen Studien zur Immuntherapie

KI verändert die Intelligenz klinischer Studien in der Immuntherapieforschung. In den Therapiebereichen Melanom, Nierenzellkarzinom, nicht-kleinzelliger Lungenkrebs, Plattenepithelkarzinom im Kopf-Hals-Bereich und anderen hat die Immuntherapie bemerkenswerte Erfolge gezeigt. Die genaue Vorhersage der Behandlungswirksamkeit bleibt jedoch eine Herausforderung. Neue Radiotracer, die auf den CD8-Rezeptor menschlicher T-Zellen abzielen und für die quantitative, nicht-invasive PET-Bildgebung eingesetzt werden sollen, befinden sich in der Entwicklung. Quibim entwickelt einen bildbasierten Algorithmus zur Interpretation von PET/CT-Untersuchungen mit dem Ziel, die Wirksamkeit eines 89Zr-markierten Minikörpers bei der gezielten Ansteuerung des CD8-Rezeptors im Tumormikroumfeld quantitativ zu bewerten. Diese Technologie verbessert den KI-Einsatz in der klinischen Entwicklung, indem sie präzise, ​​nicht-invasive Methoden zur Bewertung der Wirksamkeit von Immuntherapien bereitstellt. Die daraus resultierenden Daten liefern wertvolle Einblicke in die Bioverteilung und Zielspezifität des Minibodys und dienen als Grundlage für die zukünftige klinische Entwicklung und potenzielle therapeutische Anwendungen. 

KI verändert klinische Studien und die Integration künstlicher Intelligenz in die Arzneimittelentwicklung. Von KI-Medikamenten in klinischen Studien bis hin zur klinischen Studienintelligenz: KI senkt Kosten, verbessert die Effizienz und personalisiert Behandlungsstrategien. Obwohl Herausforderungen bestehen bleiben, wird die Rolle des KI-Einsatzes in der klinischen Entwicklung weiter zunehmen, die Zukunft der Medizin prägen und den Zugang zu lebensrettenden Behandlungen beschleunigen.

Referenzen

1. Hughes JP, Rees S, Kalindjian SB, Philpott KL. Prinzipien der frühen Arzneimittelentdeckung. Br J Pharmacol. 2011;162(6):1239-1249. doi:10.1111/j.1476-5381.2010.01127.x
2. Hefti FF. Voraussetzungen für eine Leitsubstanz, um ein klinischer Kandidat zu werden. BMC Neurosci. 2008;9 Suppl 3(Suppl 3):S7. Veröffentlicht am 2008. Dezember 10. doi:10.1186/1471-2202-9-S3-S7
3. Jain R, Subramanian J, Rathore AS. Eine Übersicht über Therapieversagen in klinischen Studien im Spätstadium. Expert Opin Pharmacother. 2023;24(3):389-399. doi:10.1080/14656566.2022.2161366
4. Schlander M, Hernandez-Villafuerte K, Cheng CY, Mestre-Ferrandiz J, Baumann M. Wie viel kostet die Erforschung und Entwicklung eines neuen Arzneimittels? Eine systematische Überprüfung und Bewertung. Pharmakoökonomie. 2021;39(11):1243-1269. doi:10.1007/s40273-021-01065-y
5. https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained
6. https://www.ibm.com/topics/natural-language-processing
7. Hutson M. Wie KI zur Beschleunigung klinischer Studien eingesetzt wird.Nature. 2024;627(8003):S2-S5. doi:10.1038/d41586-024-00753-x
8. https://www.statnews.com/2019/02/05/synthetic-control-arms-clinical-trials/#:~:text=By%20reducing%20or%20eliminating%20the,speed%20lifesaving%20therapies%20to%20market
9. Zhang B, Shi H, Wang H. Maschinelles Lernen und KI bei der Prognose, Vorhersage und Behandlungsauswahl von Krebs: Ein kritischer Ansatz. J Multidiscip Healthc. 2023;16:1779-1791. Veröffentlicht am 2023. Juni 26. doi:10.2147/JMDH.S410301
10. Lippenszky L, Mittendorf KF, Kiss Z, et al. Vorhersage der Wirksamkeit und Toxizität von Immun-Checkpoint-Inhibitoren anhand realer Patientendaten.JCO Clin Cancer Inform. 2024;8:e2300207. doi:10.1200/CCI.23.00207