失败的临床试验可能会花费赞助者超过10亿美元，并且浪费数年的时间来开发一种永远不会上市的药物。然而，现在可以通过使用人工智能(AI)和机器学习驱动的平台来缓解这些损失，这些平台可以识别临床试验中可能对治疗产生积极反应的患者亚群体。
当赞助者能够找到这些人群并相应地调整试验设计时，就可以降低试验失败率，拯救有希望的分子进行进一步开发，并获取更好的主要和次要终点数据以支持批准和付款人评估。
本文探讨了赞助商如何在整个试验生命周期中利用AI驱动的工具，如IQVIA的子群体优化解决方案（SOS），以降低失败风险，同时提高成功率，并识别药物开发中的新机会。
第1部分：失败的高成本
药物开发的巨大成本在很大程度上是由高失败率造成的。2019年的一项研究发现，只有不到14%的药物开发项目最终获得批准，孤儿药物的批准率降至6%，肿瘤药物的批准率仅为3.4%，而肿瘤药物是药物开发的主要类别。
当试验停止时，赞助者将面临巨大的经济损失——估计为8亿到14亿美元——而患者也失去了可能挽救生命的疗法进入市场的希望。
虽然有些分子根本无法成功，但许多试验都失败了，因为试验设计没有充分确定合适的群体、终点和/或剂量选择。这可能会导致大多数试验参与者的反应不如预期，或发生使安全风险过高的不良事件。然而，有了正确的数据，这种高故障率不一定会发生。
在失败的试验中，通常有一些亚群患者对治疗反应良好，没有不良反应，但由于总人数没有加起来，试验被放弃了。这意味着赞助商失去了他们的投资，而那些有可能从挽救生命的治疗中获益的患者被剥夺了这些创新。
这些人群可以通过SOS平台进行识别，SOS平台利用人工智能和机器学习工具，可以快速分析临床数据集，识别最有希望的人群，使赞助者能够相应调整试验。当资助者能够在研究过程中更快地确定这些亚群体时，他们就可以调整试验，以聚焦于这些患者。这通过更好的试验设计提高了安全性和治疗效果，并可以挽救有希望的试验，否则会被认为是失败的。
第2部分：技术如何工作
这些统计上严格的分析平台以机器学习算法为特色，这些算法被编程来分析试验数据，以在体验更强疗效的治疗人群中识别预测性生物标志物。它们可以在试验生命周期的各个点上使用，在没有偏见的情况下识别趋势和异常值，为试验设计提供信息，支持批准和定价决策，并形成市场和销售策略。
该平台采用行业公认的分析方法，称为基于差异效应搜索的子组识别（SIEDS）。SIDES用于评估试验结果，帮助客户回答有关药物开发有效性的棘手问题，并制定有效的试验设计策略，以最大限度地提高他们的成功机会。这些平台使用安全的数据管理技术和直观的工作流，根据预定的功能自动查询患者数据集，并以易于阅读的图表、散点图和摘要形式提供结果。必威官方在线
易于阅读的图形界面使利益攸关方能够快速审查和了解哪些患者群体对治疗有反应，其中哪些患者面临更高的不良事件风险，哪些人群不太可能受益，以及哪里有分界线。例如，一项分析可能会在一系列图表中显示，65岁以上的第三期癌症患者比年轻患者更有可能对治疗产生反应，而且那些处于癌症早期阶段的患者有更高的不良事件发生率。
这种即时、容易理解的数据给研究人员和赞助者提供了他们需要的洞见，以更精确和更有信心地调整试验，选择正确的患者。betway必威怎么提款这可以减少从早期发现到商业化的整个试验生命周期的时间、成本和风险，并使赞助商能够将更多成功的治疗方法推向市场。
当数据显示没有人能取得有意义的结果时，这项技术还可以通过更快地关闭失败的试验并将这些资源转移到具有更大回报潜力的分子上，从而为赞助商节省数亿美元。
这些平台在试验生命周期的许多阶段提供价值，从早期阶段的决策，通过批准，市场准入和扩展研究