Unlearn och Merck samarbetar i medicinska tvillingförsök

Unlearn och Merck samarbetar i medicinska tvillingförsök


Unlearn och Merck KGaA har tillkÀnnagett ett partnerskap för att pÄskynda lÀkemedelsprövningar med hjÀlp av medicinska digitala tvillingar av patienter. Unlearn anvÀnder den senaste utvecklingen frÄn djupinlÀrning för att skapa digitala tvillingar av patienter i kliniska prövningar. Den nya tekniken gör att lÀkemedelsforskare kan minska storleken pÄ kontrollarmarna med 30 % eller mer och generera tillförlitliga kliniska bevis pÄ kortare tid. Merck planerar att inledningsvis fokusera pÄ kliniska prövningar i sent skede av immunologiska lÀkemedel.

“Att anvĂ€nda digitala tvillingar i utformningen och analysen av en klinisk prövning upprĂ€tthĂ„ller den högsta standarden av bevis samtidigt som det minskar antalet erforderliga patienter och gör prövningen mer attraktiv för potentiella patienter eftersom de Ă€r mer benĂ€gna att fĂ„ det experimentella lĂ€kemedlet istĂ€llet för kontrollen, ” Unlearn VD och grundare Charles Fisher berĂ€ttade för Venturebeat. “DĂ€rför tror vi att digitala tvillingar kommer att inkluderas i alla kliniska prövningar i framtiden, vilket Ă€r en möjlighet för flera miljarder dollar.”

Företagets betydande innovation Àr ett nytt arbetsflöde för statistik och analyser för att minimera fördomar och fel i förutsÀgelser. Dessa nya tekniker kan öka effektiviteten inom lÀkemedelsindustrin och Àven förbÀttra digitala tvillingsimuleringar i andra branscher.

jagförbÀttra forskningseffektiviteten

LÀkemedelsindustrin spenderar mycket mer pÄ forskning och utveckling Àn nÄgon annan industri för att sÀkerstÀlla att lÀkemedel Àr bÄde sÀkra och effektiva. International Federation of Pharmaceutical Manufacturers & Associations uppskattar att lÀkemedelsföretagen spenderade 196 miljarder USD pÄ FoU 2021, vilket förvÀntas vÀxa till 213 miljarder USD 2024. Kliniska prövningar utgör en betydande del av denna kostnad. En studie frÄn Presence Research förvÀntar sig att kostnaden för kliniska prövningar kommer att vÀxa frÄn 51 miljarder USD 2021 till 84 miljarder USD 2030.

Tillsynsmyndigheter har visat intresse för löftet om syntetiska datatekniker för att generera en syntetisk kontrollarm som simulerar den sannolika utvecklingen av sjukdomar för patienter med eller utan en befintlig behandling. I bÀsta fall skulle det vara bra att ge alla studiedeltagare det nya lÀkemedlet och sedan anvÀnda de syntetiska data som en kontroll. Men detta kan införa partiskhet, eftersom de syntetiska datagenererade kontrollerna bara Àr lika bra som tillförlitligheten och djupet hos de faktiska patientdata.

En nyligen genomförd undersökning av syntetiska och externa kontroller i kliniska prövningar observerade att syntetiska kontroller kan drabbas av partiskhet Àven om de anvÀnda externa kÀllorna verkar lika och opartiska. Det kan finnas skillnader med avseende pÄ faktorer som antingen inte kan eller sÀllan registreras i data. Till exempel kan palliativ vÄrd, sÄsom nÀring, massage eller till och med andliga insatser, variera beroende pÄ lÀkare eller vÄrdcentral och inte fÄngas upp i traditionella lÀkemedelsforskningsstudier.

Hur det fungerar

Unlearns tillvÀgagÄngssÀtt Àr unikt eftersom det, Àven om det ocksÄ möjliggör mindre, mer effektiva prövningar, inte introducerar dessa typer av fördomar och Àr lÀmpligt för de flesta kliniska prövningar enligt gÀllande regler. Dess innovation Àr en statistisk process för att simulera den sannolika utvecklingen av sjukdom mellan experiment- och kontrollgrupper och sedan verifiera resultaten i efterhand för bÄda.

Unlearn uppfann tvÄ typer av teknologier. För det första har det utvecklat metoder för djupinlÀrning för att skapa digitala tvillingar av patienter i försök. För det andra har den utvecklat metoder för att anvÀnda digitala tvillingar för att designa och analysera randomiserade kontrollerade studier.

Forskare i ett försök trÀnar först den digitala tvillingmodellen för att skapa realistiska simuleringar av sjukdomsprogression med hjÀlp av databasen med historiska patientdata. Sedan samlar de in journaler som beskriver det aktuella tillstÄndet för en viss patient och matar in data i vÄr modell. Denna modell Àr utformad för att simulera hur patientens sjukdom kommer att utvecklas i framtiden.

En klinisk prövning jÀmför hur en patients sjukdom skulle utvecklas pÄ ett nytt lÀkemedel med hur det skulle utvecklas pÄ ett befintligt lÀkemedel eller placebo (kontrollen). En patients digitala tvilling ger information om hur deras sjukdom skulle utvecklas pÄ kontrollen, vilket gör att man kan bestÀmma skillnaden mellan effekten av det nya lÀkemedlet och kontrollen mer exakt.

Processen att utforma och analysera prövningar inkluderar digitala tvillingar frÄn alla försöksdeltagare, oavsett om de slumpmÀssigt tilldelas det experimentella lÀkemedlet eller kontrollen. Digitala tvillingar skapas för alla dessa patienter i början av studien innan deras behandling tilldelas. Ju mer exakt de digitala tvillingarna förutsÀger patienternas sjukdomsprogress pÄ kontrollen, desto mindre mÄste kontrollgruppen i försöket vara.

Fisher sa: “Datormodeller som digitala tvillingar kan inte vara perfekta. Oavsett om de digitala tvillingarna skapas med hjĂ€lp av djupinlĂ€rning eller traditionell matematisk modellering kommer modellen att göra misstag.”

Unlearn har skapat ett sĂ€tt att införliva digitala tvillingar i kliniska prövningar som Ă€r immuna mot potentiella misstag som modellen gör för att övervinna detta problem. “Liknande strategier kan tillĂ€mpas i andra branscher, vilket gör att digitala tvillingar kan anvĂ€ndas för kritiska applikationer genom att förhindra oundvikliga fel i de digitala tvillingarna frĂ„n att spridas nedströms,” sa Fisher.

Unlearn spelar pÄ en relativt ny marknad för AI-verktyg för att förbÀttra statistisk analys. Konkurrenter som arbetar med verktyg för syntetiska data i kliniska prövningar inkluderar Cytel, Dassault SystÚmes Medidata och FlatIron Health.

VentureBeats uppdrag ska vara ett digitalt stadstorg för tekniska beslutsfattare att fÄ kunskap om transformativ företagsteknologi och handla. LÀs mer om medlemskap.