از برخی جهات، هنوز روزهای اولیه برای هوش مصنوعی در تحقیقات بالینی است. کورجی می‌گوید: «کارهای زیادی برای انجام دادن وجود دارد، اما فکر می‌کنم می‌توانید به نمونه‌های زیادی و شرکت‌های زیادی اشاره کنید که پیشرفت‌های بسیار بزرگی داشته‌اند.»
هنوز روزهای اولیه
30 نوامبر 2022 – هوش مصنوعی آماده است تا آزمایش‌های بالینی و توسعه دارو را سریع‌تر، ارزان‌تر و کارآمدتر کند. بخشی از این استراتژی ایجاد «بازوهای کنترل مصنوعی» است که از داده‌ها برای ایجاد «شبیه‌کننده‌ها» یا «بیماران» تولید شده توسط رایانه در یک آزمایش استفاده می‌کنند.
شرکت‌ها به سختی تلاش می‌کنند تا راه‌های کارآمدتری برای آوردن هوش مصنوعی به آزمایش‌های بالینی بیابند تا نتایج سریع‌تر با هزینه کمتر و همچنین کیفیت بالاتر را به دست آورند.»
چیلوکوری می‌گوید، یکی از نمونه‌های آنکولوژی که در آن بازوی کنترل مصنوعی می‌تواند تفاوت ایجاد کند، تحقیقات گلیوبلاستوما است. او می‌گوید که درمان این سرطان مغز بسیار دشوار است و بیماران معمولاً آزمایشات را رها می‌کنند، زیرا آنها خواهان درمان تجربی هستند و نمی‌خواهند در گروه کنترل استاندارد مراقبت باقی بمانند. همچنین، “فقط با توجه به امید به زندگی، تکمیل یک آزمایش بسیار دشوار است.”
او می‌گوید: «آنچه ما داریم اولین تأییدیه FDA و EMA برای یک بازوی کنترل مصنوعی است که در آن کل بازوی کنترل را با استفاده از بیماران کنترل مصنوعی جایگزین می‌کنید، و این بیمارانی هستند که از داده‌های کارآزمایی بالینی تاریخی خارج می‌شوند.»
انتظار می رود نقش هوش مصنوعی در تحقیقات رشد کند. تا به امروز، بیشتر تحقیقات اکتشافی دارویی مبتنی بر هوش مصنوعی بر روی مغز و اعصاب و انکولوژی متمرکز بوده است. شروع در این تخصص‌ها «احتمالاً به دلیل نیازهای پزشکی برآورده نشده زیاد و بسیاری از اهداف مشخص شده است»، در مارس 2022 اشاره می‌شود. بخش خبری و تحلیلی در مجله طبیعت.
چیلوکوری می‌گوید: «شما شنیده‌اید که افراد زیادی در مورد اینکه چگونه در دهه آینده پیشرفت بیشتری نسبت به قرن گذشته داشته‌ایم صحبت می‌کنند. و این صرفاً به دلیل در دسترس بودن داده‌های با وضوح بالا است که به شما امکان می‌دهد بفهمید در سطح فردی چه اتفاقی می‌افتد.»
ناهید کورجی، رئیس هیئت مدیره اتحاد برای هوش مصنوعی در مراقبت‌های بهداشتی و رئیس و مدیر عامل Cyclica Inc، دارویی مبتنی بر داده‌ها، می‌گوید: آزمایش‌های بالینی «واقعاً دشوار هستند، زمان‌بر هستند، و بسیار گران هستند». شرکت کشف مستقر در تورنتو.
منبع
اولین آزمایش‌های بالینی برای استفاده از تطابق‌های ایجاد شده توسط داده‌ها برای بیماران – به جای بیماران کنترلی که از نظر سن، جنس یا ویژگی‌های دیگر مطابقت دارند – قبلاً آغاز شده است. به عنوان مثال، شرکت Imunon، یک شرکت بیوتکنولوژی که شیمی درمانی و ایمونوتراپی نسل بعدی را توسعه می دهد، از یک بازوی کنترل مصنوعی در خود استفاده کرد. آزمایش فاز 1B یک عامل اضافه شده به شیمی درمانی قبل از جراحی برای سرطان تخمدان.
چیلوکوری می‌گوید استفاده از یک بازوی کنترل مصنوعی می‌تواند تحقیقات را سرعت بخشد و شانس تکمیل مطالعه گلیوبلاستوما را بهبود بخشد. “و بیماران در واقع درمان تجربی را دریافت می کنند.”
این مطالعه اولیه به محققان نشان داد که ادامه ارزیابی عامل جدید در آزمایش فاز 2 ارزشمند است.
این گمانه زنی کرد که این استفاده از هوش مصنوعی فقط شروع یک “موج آینده” است.
به این ترتیب، محققان می توانند افراد واقعی کمتری را ثبت نام کنند و در نیمی از زمان، شرکت کنندگان کافی را جذب کنند.
قبلا گفته بود FDA یک دارو را تایید کرد در سال 2017 برای نوعی از اختلال عصبی نادر کودکان، بیماری باتن، بر اساس یک مطالعه با “شرکت کنندگان” کنترل تاریخی.
Sastry Chilukuri، یکی از مدیران عامل Medidata، شرکتی که داده‌های آزمایشی فاز 1B را ارائه می‌کند و موسس و رئیس Acorn AI، می‌گوید استفاده از بازوی کنترل مصنوعی «بسیار جالب است».
او پیش‌بینی می‌کند: «این باعث ایجاد این انفجار در پزشکی دقیق می‌شود.
کارشناسان می‌گویند که هم بیماران و هم شرکت‌های دارویی سود خواهند برد. به عنوان مثال، یک مزیت برای افراد این است که شبیه‌سازها درمان استاندارد یا دارونما را دریافت می‌کنند، به این معنی که همه افراد در مطالعه در نهایت درمان تجربی را دریافت می‌کنند. برای شرکت‌های دارویی که مطمئن نیستند کدام یک از کاندیداهای دارویی آنها نویدبخش‌تر است، هوش مصنوعی و یادگیری ماشینی می‌توانند چشم‌انداز را محدود کنند.
آزمایش‌های بالینی زیادی وجود دارد که با شکست مواجه می‌شوند، نه به این دلیل که مولکول مؤثر نیست… بلکه به این دلیل که بیمارانی که در یک کارآزمایی ثبت‌نام کرده‌اند شامل تعداد زیادی از افراد غیر پاسخ‌دهنده است. آنها فقط داده‌های پاسخ‌دهنده را لغو می‌کنند.» کورجی می‌گوید.
شرکت کنندگان آزمایشی “مصنوعی”.
موجی از تحقیقات تقویت شده با هوش مصنوعی؟
«تا کنون، یادگیری ماشین در درجه اول در بهینه‌سازی کارایی مؤثر بوده است – نه دریافت داروی بهتر، بلکه بهینه‌سازی کارایی غربالگری. آنجلی مولر، دکترای آنجلی مولر، رئیس بخش داده‌ها و ادغام‌های تولید بینش در داروساز Roche در برلین و نایب رئیس هیئت مدیره اتحاد برای هوش مصنوعی در مراقبت‌های بهداشتی، می‌گوید هوش مصنوعی از آموخته‌های گذشته استفاده می‌کند تا کشف دارو را مؤثرتر و کارآمدتر کند.
علاقه فزاینده ای به استفاده از روش های کنترل مصنوعی وجود دارد [that is, using external data to create controls]”، با توجه به الف مقاله مروری که در طب طبیعت در سپتامبر.
“من به شما یک مثال می زنم. شما ممکن است هزاران مولکول کوچک داشته باشید و بخواهید ببینید کدام یک از آنها به گیرنده ای که در یک بیماری دخیل است متصل می شود. با هوش مصنوعی، لازم نیست هزاران نامزد را بررسی کنید. شاید شما بتوانید فقط صد مورد را نمایش دهید.
هوش مصنوعی همچنین می تواند به محدود کردن افرادی که پاسخ نمی دهند در تحقیقات کمک کند.