Il potenziale dell’uso dell’intelligenza artificiale nello sviluppo clinico e nelle sperimentazioni farmacologiche

Portare un farmaco dall'identificazione iniziale all'approvazione normativa e al mercato richiede risorse sostanziali, tra cui tempo, denaro e coordinamentoIl processo, dallo screening dei potenziali composti alla nomina dei candidati, passando per le sperimentazioni cliniche sull'uomo fino al ricevimento dell'approvazione normativa, può richiedere in media dai 12 ai 15 anni¹.

L'intelligenza artificiale nella scoperta e nello sviluppo iniziale dei farmaci

Il processo di sviluppo di un farmaco inizia con la ricerca di base, volta a individuare il bersaglio giusto per un particolare problema medico. L'intelligenza artificiale nelle sperimentazioni sta migliorando la scoperta precoce dei farmaci accelerando lo screening dei composti e l'identificazione dei principali candidati. Storicamente, l'identificazione di un composto guida richiedeva lo screening di laboratorio di migliaia di strutture chimiche². Seguito da una serie di test aggiuntivi per modificare il composto principale e prepararlo per la sperimentazione clinica, tra cui l'ottimizzazione delle proprietà del farmaco in base al modo in cui il farmaco può interagire all'interno dell'organismo e con il suo bersaglio.

Dopo questi passaggi, il candidato principale procede con le sperimentazioni cliniche per determinare se esiste una dose sicura ed efficace per i pazienti. Il processo di sperimentazione clinica in sé può durare anni ed è piuttosto costoso. Anche a questo punto, può esserci un alto tasso di fallimento. Ciò significa il farmaco potrebbe non essere sicuro alla dose desiderata o non essere efficace per l'uso medico previsto condizione³. Nello sviluppo di farmaci contro il cancro, si stima che i costi di ricerca e sviluppo per portare un farmaco efficace sul mercato siano compresi tra $ 0.9 e $ 2.1 miliardo⁴. Pertanto, trovare modi più efficienti per portare nuove terapie ai pazienti è un impegno continuo. È qui che l'intelligenza artificiale (IA) può aiutare lungo tutto il continuum dello sviluppo dei farmaci.

L'intelligenza artificiale può facilitare lo sviluppo di farmaci attraverso diversi mezzi, tra cui l'apprendimento automatico (ML) e l'elaborazione del linguaggio naturale (NLP). Il ML è un sottocampo dell'IA "che consente ai computer di apprendere senza essere esplicitamente programmato”⁵  come analizzare dati o categorizzare immagini. NLP è un'intelligenza artificiale che "consente ai computer e ai dispositivi digitali di riconoscere, comprendere e generare testo e discorso"⁶.

Prima dei test sugli esseri umani: l'intelligenza artificiale nello screening e nell'ottimizzazione dei composti

1. AI nello screening dei composti per l'identificazione dei candidati principali

L'intelligenza artificiale può accelerare il processo di scoperta di nuovi farmaci analizzando numerose strutture chimiche per identificare i candidati più promettenti, consentendo ai ricercatori di iniziare a testare potenziali farmaci prima. Programmi come AlphaFold migliorano l'intelligenza degli studi clinici prevedendo la struttura tridimensionale delle proteine ​​in base alla loro sequenza di amminoacidi. Migliorando la previsione della struttura proteica è possibile progettare farmaci più efficaci mirati a quella proteina, riducendo il numero di strutture chimiche necessarie per lo screening in laboratorio, aumentando così l'efficienza e riducendo i costi.

2. Esperimenti in silico per l'ottimizzazione dei composti

L'intelligenza artificiale può simulare il modo in cui un composto principale e le sue modifiche potrebbero interagire nel corpo umano. Queste simulazioni possono ridurre significativamente i tempi identificando le modifiche strutturali necessarie prima del laboratorio di conferma studi⁷.

Una volta che il candidato principale ottimizzato è pronto per la sperimentazione clinica negli studi clinici sull'uomo, l'uso dell'intelligenza artificiale nello sviluppo clinico migliora molteplici aspetti, tra cui la progettazione degli studi, il reclutamento dei pazienti e la personalizzazione del trattamento. 

3. Utilizzo dell'intelligenza artificiale nello sviluppo clinico e nelle sperimentazioni 

L'intelligenza artificiale può migliorare la progettazione degli studi clinici analizzando un'ampia gamma di dati passati e di prove del mondo reale (RWE). Questa analisi può allertare i ricercatori sui potenziali rischi e sulle insidie ​​nell'arruolamento dei pazienti e nei criteri di ammissibilità, consentendo ulteriori studi ottimizzazione⁷. In alcune situazioni, questo potrebbe anche consentire un braccio di controllo sintetico nello studio. Avere un braccio di controllo sintetico può eliminare la necessità di arruolare pazienti nel braccio di trattamento standard dello studio utilizzando RWE da altre fonti. Ciò ha la possibilità di ridurre i costi di una sperimentazione clinica fino al 50% (poiché metà del numero originale di pazienti dovrebbe essere arruolato) e potrebbe accelerare l'approvazione fino all'1.5% anni⁸. Va notato che i bracci di controllo sintetici saranno probabilmente riservati a situazioni in cui esiste uno standard di cura consolidato e un decorso della malattia abbastanza prevedibile.

4. Trovare pazienti potenzialmente idonei

L'IA può anche aiutare a identificare pazienti idonei per le sperimentazioni cliniche, il che è un compito impegnativo e impegnativo. Il reclutamento per le sperimentazioni cliniche è difficile e complesso. Molti farmaci AI negli studi clinici utilizzano algoritmi basati sull'intelligenza artificiale per analizzare le cartelle cliniche e trovare potenziali partecipanti⁷. Una volta identificati i pazienti, considerati idonei e che iniziano a partecipare a uno studio, è importante anche trattenere e mantenere i pazienti coinvolti e aderire ai requisiti dello studio. Se troppi pazienti abbandonano o escono prematuramente dallo studio, l'affidabilità dello studio può essere compromessa. Vengono inoltre implementati strumenti di intelligenza artificiale per aiutare i pazienti arruolati a tenere traccia della loro partecipazione allo studio requisiti⁷.

5. Personalizzazione del trattamento

L'intelligenza artificiale può utilizzare i dati sui geni, sui biomarcatori e sulla storia clinica di un paziente per prevedere i trattamenti più efficaci. Per andare oltre, l’intelligenza artificiale può anche prevedere come un paziente potrebbe rispondere a trattamento⁹ o avvisare i propri medici di un potenziale effetto collaterale che potrebbe richiedere una modifica della trattamento¹⁰.

6. Possibilità future dell’intelligenza artificiale negli studi clinici

L'intelligenza artificiale è destinata a svolgere un ruolo sempre più importante nel modo in cui viene utilizzata per accelerare le sperimentazioni cliniche. Inoltre, l'intelligenza artificiale potrebbe contribuire ad accelerare le procedure di presentazione e revisione delle domande di autorizzazione da parte degli enti normativi, riducendo ulteriormente i tempi di approvazione di nuovi farmaci sicuri ed efficaci per i pazienti.

Caso di studio: AI negli studi clinici sull'immunoterapia

L'intelligenza artificiale sta rimodellando l'intelligenza degli studi clinici nella ricerca sull'immunoterapia. Nelle aree terapeutiche del melanoma, del carcinoma renale, del carcinoma polmonare non a piccole cellule, del carcinoma squamocellulare della testa e del collo e di altri, l'immunoterapia ha mostrato notevoli promesse. Tuttavia, prevedere con precisione l'efficacia del trattamento rimane una sfida. Sono in fase di sviluppo nuovi radiotraccianti che prendono di mira il recettore CD8 sulle cellule T umane per l'imaging PET quantitativo e non invasivo. Quibim sta creando un algoritmo basato sull'imaging per interpretare gli esami PET/CT, con l'obiettivo di valutare quantitativamente l'efficacia di un minibody marcato con 89Zr nel colpire il recettore CD8 nel microambiente tumorale. Questa tecnologia potenzia l'uso dell'IA nello sviluppo clinico, fornendo metodi precisi e non invasivi per valutare l'efficacia dell'immunoterapia. I dati risultanti forniscono preziose informazioni sulla biodistribuzione e sulla specificità del targeting del minibody, informando lo sviluppo clinico futuro e le potenziali applicazioni terapeutiche. 

L'intelligenza artificiale sta trasformando le sperimentazioni cliniche e l'integrazione dell'intelligenza artificiale nello sviluppo dei farmaci. Dai farmaci AI negli studi clinici all'intelligenza degli studi clinici, l'AI sta riducendo i costi, migliorando l'efficienza e personalizzando le strategie di trattamento. Sebbene le sfide permangano, il ruolo dell'uso dell'AI nello sviluppo clinico continuerà ad espandersi, plasmando il futuro della medicina e accelerando l'accesso a trattamenti salvavita.

Referenze

1. Hughes JP, Rees S, Kalindjian SB, Philpott KL. Principi della scoperta precoce dei farmaci. Br J Pharmacol. 2011;162(6):1239-1249. doi:10.1111/j.1476-5381.2010.01127.x
2. Hefti FF. Requisiti per un composto guida per diventare un candidato clinico. BMC Neurosci. 2008;9 Suppl 3(Suppl 3):S7. Pubblicato il 2008 dicembre 10. doi:10.1186/1471-2202-9-S3-S7
3. Jain R, Subramanian J, Rathore AS. Una revisione dei fallimenti terapeutici negli studi clinici in fase avanzata. 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. Quanto costa ricercare e sviluppare un nuovo farmaco? Una revisione sistematica e una valutazione. Pharmacoeconomics. 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. Come l'intelligenza artificiale viene utilizzata per accelerare le sperimentazioni cliniche.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. Apprendimento automatico e intelligenza artificiale nella prognosi, previsione e selezione del trattamento del cancro: un approccio critico. J Multidiscip Healthc. 2023;16:1779-1791. Pubblicato il 2023 giugno 26. doi:10.2147/JMDH.S410301
10. Lippenszky L, Mittendorf KF, Kiss Z, et al. Previsione dell'efficacia e della tossicità degli inibitori del checkpoint immunitario utilizzando dati di pazienti del mondo reale. JCO Clin Cancer Inform. 2024;8:e2300207. doi:10.1200/CCI.23.00207