КОЛЛЕГИ,
в Drug&Discovery сообщают, что примерно 9 из 10 клинических испытаний терпят неудачу из-за таких факторов, как недостаточная действенность и высокая частота нежелательных явлений.
Одним из подходов прогнозирование исходов клинического испытания:
- построение математических моделей
- использование искусственного интеллекта (ИИ)
- машинное обучения (ML).
Есть несколько факторов которые сдерживают внедрение ИИ и ML для прогнозирования эффективности клинических испытаний:
- ограниченные рецензируемые данные в поддержку использования моделей ML;
- опасение клиницистов в области прогнозов с помощью ML и ИИ.
После 7-ми лет разработки инструмент искусственного интеллекта InClinico предсказывает результаты клинических испытаний фазы 2 и 3 с точностью 79%.
Инструмент прогнозирования ИИ inClinico основан на наборе моделей с использованием генеративного ИИ и мультимодальных источников данных, включая:
- текст
- омики
- дизайн испытаний
- свойства лекарств.
Разработчики инструмента обучили его более чем на 55 600 клинических испытаний фазы 2.
Платформа набрала 0,88 балла в области рабочей характеристики приемника под кривой (ROC AUC) при прогнозировании перехода от фазы 2 к фазе 3.
Стенды ROC AUC — это статистическая мера, используемая в машинном обучении и анализе данных для оценки производительности бинарная система классификаторов.
Значения AUC находятся в диапазоне от 0 до 1. Более высокие значения указывают на то, что модель лучше прогнозирует 0 как 0 и 1 как 1.
Значение AUC, равное 0,5, указывает на то, что модель работает не лучше, чем случайный случай.
Компания также недавно объявила, что одно из ее лекарств, открытых с помощью ИИ, перешло на фазу 2 .
ссылка: https://www.drugdiscoverytrends.com/ai-predictive-tool-clinical-trials/