Narzędzie sztucznej inteligencji o nazwie Trial Pathfinder może przeprowadzać emulacje badań klinicznych przy użyciu danych medycznych od osób chorych na raka i może nauczyć się, jak zoptymalizować kryteria kwalifikacji do badań, przy jednoczesnym zachowaniu bezpieczeństwa pacjentów.

Chunhua Weng i James R. Rogers

Nature, 2021 r.

Oprogramowanie AI Trial Pathfinder daje nadzieję lekarzom, którzy chcą bezpiecznie rozszerzyć i zdywersyfikować badania kliniczne leków na raka i inne choroby. Chunhua Weng i James Rogers przedstawiają projekt badawczy Uniwersytetu Stanforda, prowadzony przez Ruishana Liu, który ujawnił możliwość włączenia do badań osób, które często były wykluczane ze względu na wiek, stan zdrowia lub płeć.

Streszczenie tłumaczone z angielskiego maszynowo (przepraszamy za niedoskonałości) jako materiał na nasze przemówienia inspiracyjne.

Korzyści

• Sukces badań klinicznych często zależy od włączenia osób spełniających kryteria badania w określonym czasie.
• Zespół Ruishana Liu stworzył narzędzie AI o otwartym kodzie źródłowym o nazwie Trial Pathfinder.
• Zespół Liu zidentyfikował restrykcyjne, niekorzystne kryteria podczas analizy badań klinicznych dotyczących innych typów nowotworów.
• Badanie Liu może zainspirować selekcję uczestników badań opartych na sztucznej inteligencji dla innych chorób.

Podsumowanie

• Sukces badań klinicznych często zależy od rekrutacji osób spełniających kryteria badania w określonym czasie.
• Czasami niezdolność do znalezienia wystarczającej liczby odpowiednich osób do badania klinicznego prowadzi do gorszych wniosków. Nowe oprogramowanie pozwala jednak klinicystom na bezpieczne włączenie bardziej zróżnicowanych uczestników, analizując rzeczywiste dane pacjentów z rakiem.

• Większość badań klinicznych stara się rejestrować osoby o niskim ryzyku. Wykluczają one osoby starsze, kobiety w ciąży lub osoby z chorobami współistniejącymi innymi niż choroba docelowa. Takie wykluczenia eliminują osoby słabe fizycznie lub z nietolerancją toksycznych leków, aby zapewnić jednolitość badania. Strategia ta wyklucza niektóre osoby, które mogłyby odnieść korzyści z badanego leczenia. Czasami skutkuje to mniejszą niż optymalna grupą badaną, co utrudnia, opóźnia lub nawet kończy badanie.

• „Naukowcy coraz częściej uznają, że kryteria kwalifikacji do badań klinicznych powinny być uproszczone, mniej restrykcyjne i lepiej uzasadnione klinicznie niż ma to miejsce obecnie”.
• Kryteria kwalifikacji są często ustalane na podstawie starych danych z badań lub arbitralnych decyzji dotyczących projektu badania. Niedawne badanie dotyczyło sposobów, w jakie elektroniczna dokumentacja medyczna (EHR) może modyfikować kryteria kwalifikacji do badania w celu zwiększenia puli uczestników. Badaczom brakowało jednak niezawodnego narzędzia programowego, które wykorzystuje EHR do naśladowania badań.

• Zespół Ruishana Liu stworzył narzędzie AI o otwartym kodzie źródłowym o nazwie Trial Pathfinder.
• Oprogramowanie AI zespołu Liu z Uniwersytetu Stanforda wykorzystuje EHR do porównywania statystyk przeżycia osób, które otrzymały lub nie otrzymały określonego leku. Oprogramowanie ocenia wyniki uwzględnienia lub wyeliminowania danych kwalifikacyjnych z pierwotnego badania. Pozwala to naukowcom zoptymalizować kryteria kwalifikowalności, tworząc równowagę między włączeniem uczestnictwa a indywidualnym bezpieczeństwem.

• Zespół Liu pracował z bazą danych pochodzącą z Flatiron Health EHR. Obejmowała ona dane 61 094 osób z 280 amerykańskich ośrodków onkologicznych, które cierpiały na niedrobnokomórkowego raka płuc. Naukowcy przeanalizowali 10 badań klinicznych dotyczących leków stosowanych w leczeniu tej konkretnej postaci raka. Trial Pathfinder odtworzył badania, kierując je do osób, które spełniły warunki kwalifikowalności do oryginalnego badania.

• W oparciu o dane dotyczące leczenia, kierownicy badań przydzielali kwalifikujących się pacjentów do emulowanej grupy leczenia. Około 250 uczestników w zestawie danych Flatiron pasowało do jednej z kategorii badania. Oprogramowanie AI porównało wyniki uczestników, przypisując wartość zwaną współczynnikiem ryzyka całkowitego przeżycia. Współczynnik ten określał korzyści leczenia poprzez określenie, które z nich zwiększały potencjał przeżycia danej osoby. W sytuacjach związanych z leczeniem lekarze czasami zachowują uprzedzenia oparte na oczekiwanym rokowaniu pacjenta, co skutkuje niespójnym przypisywaniem leków. Ponieważ badania kliniczne często są randomizowane, aby uniknąć takich uprzedzeń, zespół Liu wykorzystał „odwrotne prawdopodobieństwo ważenia leczenia”, aby stworzyć bardziej neutralne szacunki wyników leczenia.

• Następnie Trial Pathfinder obliczył współczynnik ryzyka, uruchamiając emulacje badań, które wykluczyły niektóre kryteria kwalifikowalności. Metryka sztucznej inteligencji znana jako wartość Shapleya określiła średni wpływ współczynnika ryzyka każdego kryterium, aby określić, w jaki sposób każde z nich wpłynęło na bezpieczeństwo i włączenie.

• „Zastosowanie tego podejścia opartego na danych w celu wybrania mniejszego podzbioru pierwotnych kryteriów kwalifikowalności zwiększyłoby kwalifikującą się populację w tej bazie danych średnio z 1 553 do 3 209, przy jednoczesnym osiągnięciu niższego ogólnego współczynnika ryzyka przeżycia”.
• Jeden z wyników sugerował, że w badaniach mogła wziąć udział większa liczba osób starszych i kobiet. Gdy zespół Liu dodał więcej porównań badań, odkrył, że większa różnorodność uczestników wystąpiła, gdy standardowe kryteria kwalifikowalności były zgodne z badaniami stosującymi pewne złagodzone progi laboratoryjne.

• Zespół Liu zidentyfikował restrykcyjne, niekorzystne kryteria podczas analizy badań klinicznych dotyczących innych typów nowotworów.
• Trial Pathfinder oszacował potencjalny wzrost liczby uczestników badań o 53% w przypadku innych nowotworów, takich jak czerniak, rak piersi i rak jelita grubego. Badania zachowały lepszy wskaźnik przeżywalności przy zastosowaniu mniej restrykcyjnych kryteriów dla pacjentów. Oceniając dane z 22 dodatkowych badań nad rakiem, zespół stwierdził, że pomimo różnic w kryteriach kwalifikacji, pewne złagodzenie progów kryteriów nie zwiększyłoby ryzyka toksyczności dla uczestników.

• „Zostało to wykazane poprzez monitorowanie różnic w kryteriach kwalifikacji i stwierdzenie, że pominięcie niektórych kryteriów wiązało się z minimalnymi lub żadnymi zmianami w liczbie przypadków wycofania leczenia z tych badań z powodu zdarzeń niepożądanych”.
• Trial Pathfinder pozwala na rzetelną ocenę tego, jak złagodzenie niektórych kryteriów kwalifikacji wpływa na skuteczność leczenia. Badacze mogą teraz wykorzystać dane EHR i określone algorytmy w celu zwiększenia bezpieczeństwa i różnorodności uczestników.

• Badanie Liu może zainspirować opartą na sztucznej inteligencji selekcję uczestników badań dla innych chorób.
• Nadal istnieją wyzwania związane z poprawą jakości danych EHR. Niektóre problemy wynikają ze zmiennych metod stosowanych do oceny wyników pacjentów. Niektóre firmy uważają protokoły badań za tajemnicę handlową, co czyni je mniej dostępnymi. Podczas gdy baza danych Flatiron oferuje jednolitość, niektóre systemy EHR zapewniają mniejszą dokładność i kompletność.

• W przyszłości Trial Pathfinder mógłby przyjąć praktyki i standaryzacje zalecane przez globalne konsorcjum Observational Health Data Sciences and Informatics.

• „Mogłoby to zostać osiągnięte przez Trial Pathfinder przy użyciu szeroko przyjętego podejścia do standaryzacji wspólnego modelu danych OMOP (Observational Medical Outcomes Partnership), co poprawiłoby jego interoperacyjność z ogromną liczbą różnych typów danych EHR”.
• Korzystając z tego oprogramowania AI, decydenci mogliby zachęcić właścicieli badań klinicznych do swobodnego udostępniania protokołów badań, aby poprawić spójność między dostępnymi publicznie streszczeniami i pełnymi wynikami protokołów.

O autorach

• Chunhua Weng i James R. Rogers są członkami Wydziału Informatyki Biomedycznej na Uniwersytecie Columbia.