一个人工智能驱动平台如何帮助赞助商拯救失败的试验,磨练协议,并找到病人最有可能受益于药物的发展。

临床开发流失率很高。只有14%的药物开发批准,这意味着86%的资产开发无法实现销售授权。后者对肿瘤药物数量进一步下降到97%。^我

但即使在试验,因为那里的大多数病人没有反应如预期的那样,可能会有谁显示群体受益于服用此药。在过去,这些试验将被关闭和药物搁置,离开那些病人,和赞助商,又回到起点。

但这并不一定是这样。

失败的高速率在药物开发现在可以减轻通过使用人工智能(AI)平台能够定义易谁更有可能显示积极响应处理,允许赞助商适应相应的试验设计。

这种创新的应用人工智能和机器学习是下一个进化精密医学,将预测分析药物开发的前沿。

最好的消息是,这不是理论,而是现在的现实。我们已经与许多客户使用我们已经看到可衡量的结果子总体中优化和建模解决方案(索姆)。这个严格的统计机器学习中分析平台可以识别预测生物标记或治疗人群的人口变量研究参与者的比一般人更强的结果。当杠杆在药物开发生命周期中,这个平台可以找到治疗组特别强烈反应,减少试验失败,救援承诺分子进一步发展,更好地捕捉中小学端点数据支持批准和付款人的估值,并找到数量与不良事件风险升高,应该避免。

这里有几个例子的赞助商使用索姆改善临床试验决策,降低风险,从他们的投资创造更多的价值。

生物标记支持第三阶段

赞助商通常首先利用索姆平台审核第二阶段试验结果主动识别最有可能应对群体治疗。早期的分析是用来发现任何基因,生物,和/或环境特征定义这些有前途的人群。这些信息可以用来适应包含/排除标准,评估端点选择,并有可能减少试验样本量通过招募病人治疗效果信号很强。

在一个例子中,一个全球制药公司希望评估一种新的药物的安全性和有效性的标准相比,关心特定癌症的治疗。使用一个叫做子群分析方法识别基于微分效应搜索(国)在索姆平台,他们确定了六个生物标记在他们的第二阶段的数据预测治疗效果。赞助商使用这些生物标志物识别子组的治疗效果大大不同于整个人口。

发挥了关键作用,分析在裁剪的发展战略和选择的3期临床试验的患者人群。

细菌感染药物获得FDA批准

在研究试验结果不一致,索姆分析可以支持自适应试验设计,赞助商修改关键部件的试验的数据收集。这样可以确保他们关注病人最有可能经验积极成果,改善患者安全,减少责任风险,增加收集积极成果数据支持的可能性得到监管部门的批准。

在这个例子中,一个新兴的生物制药公司进行两个全球第三阶段试验评估一种新的药物的安全性和有效性与标准治疗细菌感染的治疗。最初的临床试验数据的分析,证明没有整体治疗效果。然而,使用索姆平台进行的一项回顾性分析确定26生物标志物预测积极的治疗效果。同时分析识别特征表明补子群的降低治疗效果由于安全问题,可能会减轻。

得益于这一分析,FDA批准新药的黑盒标签具有挑战性的情况下替代疗法并不合适。

消除偏见的决策

许多赞助商内部统计师谁审查试验数据确定审判是否继续提供足够承诺的结果。而这些分析是药物开发过程的重要组成部分,可以是无意的偏见,尤其是当公司持有大量试验的成功。一个公正的AI-driven分析使用索姆平台可以提供一个新的视角对他们的建议,改善客观性和可能产生更深刻的结果。

在一个案例中,一个全球制药公司阶段2 b治疗肿瘤的研究结果显示优越的影响总生存期为一个特定的子群。然而,第三阶段研究产生任何有意义的结果。使用方在索姆平台,他们进行了一项回顾性分析阶段2 b的结果更详细的小组评估和发现数据没有显示一致的任何子总体中有意义的结果。因此,该公司放弃了进一步发展的投资资产。

这些只是其中的一些例子赞助商是如何使用这种技术的今天,提高试验结果,降低他们的失败,使开发更有效率。看例子,了解更多的技术,看我们视频在我们或请求一个演示网站。

^我 https://academic.oup.com/biostatistics/article/20/2/273/4817524