Blog

Εταιρείες τεχνητής νοημοσύνης προσομοιώνουν την ανταπόκριση ασθενών σε πειραματικά φάρμακα, επιδιώκοντας να εντοπίσουν κινδύνους πριν από τις δαπανηρές κλινικές μελέτες. Οι πρώτες προβλέψεις περιλαμβάνουν επιτυχίες και αστοχίες, ενώ οι φαρμακευτικές εταιρείες αντιμετωπίζουν με ενδιαφέρον αλλά και επιφυλάξεις την προοπτική αξιοποίησης των μοντέλων στην ανάπτυξη θεραπειών.

• Γράφει ο Κοσμάς Ζακυνθινός

Το πειραματικό del-desiran της Novartis, για μια σπάνια μορφή μυϊκής δυστροφίας, συγκέντρωνε υψηλές προσδοκίες. Ο διευθύνων σύμβουλος της εταιρείας είχε προβλέψει ότι οι ετήσιες πωλήσεις του θα μπορούσαν να φτάσουν τα 5 δισ. δολάρια στην κορύφωσή τους.

Όταν η μελέτη τελικού σταδίου δεν πέτυχε τον στόχο της τον Σεπτέμβριο, η μετοχή υποχώρησε κατά 11%, με απώλεια περίπου 30 δισ. δολαρίων από τη χρηματιστηριακή αξία της εταιρείας, σύμφωνα με το Reuters.

Η νεοφυής εταιρεία τεχνητής νοημοσύνης BioinvestGPT υποστηρίζει ότι είχε προβλέψει την αρνητική έκβαση. Τον Ιούλιο πραγματοποίησε μια προσομοίωση κλινικής δοκιμής με εικονικούς ασθενείς, η οποία έδειξε ότι το φάρμακο δεν θα πρόσφερε στατιστικά σημαντικό κλινικό όφελος.

Η Novartis ανακοίνωσε στις 8 Σεπτεμβρίου ότι η μελέτη Φάσης III HARBOR, σε άτομα με μυοτονική δυστροφία τύπου 1, δεν έδειξε στατιστικά σημαντική βελτίωση έναντι εικονικού φαρμάκου στο πρωτεύον καταληκτικό σημείο, που αξιολογούσε τη μυοτονία του χεριού.

Λιγότερες μελέτες που καταλήγουν σε αποτυχία

Η BioinvestGPT και άλλες εταιρείες AI αναφέρουν ότι συνεργάζονται με φαρμακευτικές επιχειρήσεις για να εκτιμήσουν, μέσω προσομοιώσεων, τις πιθανότητες επιτυχίας πειραματικών θεραπειών.

Οι εφαρμογές περιλαμβάνουν την επιλογή προγραμμάτων που αξίζει να προχωρήσουν στην κλινική ανάπτυξη, τον εντοπισμό κινδύνων και την αξιολόγηση υποψήφιων στόχων εξαγοράς.

Το οικονομικό διακύβευμα είναι μεγάλο. Σύμφωνα με τα στοιχεία που παραθέτει το Reuters, η παγκόσμια βιοφαρμακευτική βιομηχανία δαπανά περίπου 140 δισ. δολάρια ετησίως για κλινικές δοκιμές σε ανθρώπους. Ωστόσο, μόνο περίπου 12% των υποψήφιων φαρμάκων φτάνει σε ρυθμιστική έγκριση, ποσοστό που έχει αλλάξει ελάχιστα επί δεκαετίες.

Ο Francisco Beca, επικεφαλής ιατρικός σύμβουλος της QuantHealth, θέτει το ερώτημα διαφορετικά καθώς πέρα από την επιτάχυνση των δοκιμών, ο κλάδος χρειάζεται να εξετάσει πώς θα περιορίσει τις μελέτες που είναι πιθανό να αποτύχουν.

Από τις πολυετείς μελέτες στις προσομοιώσεις λίγων εβδομάδων

Οι κλινικές δοκιμές συνήθως ξεκινούν με μικρές μελέτες Φάσης I, με κύριο στόχο την αξιολόγηση της ασφάλειας. Ακολουθούν οι μελέτες Φάσης II και οι μεγαλύτερες μελέτες Φάσης III, οι οποίες εξετάζουν επίσης την αποτελεσματικότητα και στηρίζουν τις αιτήσεις έγκρισης.

Αντίθετα, σύμφωνα με τις εταιρείες που παρουσιάζει το Reuters, ορισμένες προσομοιώσεις AI μπορούν να ολοκληρωθούν σε έναν μήνα ή λιγότερο.

Η ταχύτητα αυτή δεν ισοδυναμεί με απόδειξη θεραπευτικού οφέλους. Η προσομοίωση παράγει μια πρόβλεψη, την οποία πρέπει να επιβεβαιώσουν τα δεδομένα από πραγματικούς ασθενείς.

Οι επενδύσεις στην AI αυξάνονται, αλλά το δύσκολο βήμα παραμένει

Σύμφωνα με έκθεση της McKinsey που επικαλείται το Reuters, οι επενδύσεις στην ανακάλυψη φαρμάκων με AI υπερδιπλασιάστηκαν το 2025 σε σχέση με το 2023, φτάνοντας τα 8,4 δισ. δολάρια.

Προς το παρόν, οι δαπάνες κατευθύνονται κυρίως σε πεδία όπου η τεχνολογία αποδίδει καλύτερα, όπως ο σχεδιασμός μορίων. Η απόδειξη ότι ένα φάρμακο λειτουργεί στον άνθρωπο παραμένει ένα από τα σημαντικότερα εμπόδια της ανάπτυξης.

Ο Alex Devereson, εταίρος της McKinsey, περιγράφει τις φαρμακευτικές εταιρείες ως προσεκτικές στην υιοθέτηση μοντέλων προσομοίωσης. Αξιοποιούν διαφορετικά εργαλεία, εσωτερικά ή μέσω συνεργασιών, μεταξύ άλλων για να αξιολογήσουν υποψήφια φάρμακα πριν δεσμεύσουν κεφάλαια.

Παράλληλα, ο FDA έχει ανακοινώσει πρωτοβουλίες για την επιτάχυνση και τον εκσυγχρονισμό της κλινικής ανάπτυξης. Σύμφωνα με ομοσπονδιακό αξιωματούχο που μίλησε στο Reuters, η επιτυχία τους θα μπορούσε να διευκολύνει μελλοντικά τη χρήση προγνωστικής AI στο πεδίο αυτό.

BioinvestGPT: Πέντε σωστές προβλέψεις σε έξι δοκιμές

Η BioinvestGPT, με έδρα την Κοπεγχάγη, κοινοποίησε τον Ιούλιο στο Reuters αναλυτικές εκτιμήσεις για την έκβαση σημαντικών κλινικών δοκιμών, πριν από τη δημοσιοποίηση των αποτελεσμάτων τους. Μέχρι σήμερα, σύμφωνα με το πρακτορείο, οι προβλέψεις της επιβεβαιώθηκαν σε πέντε από τις έξι περιπτώσεις.

Πέρα από το del-desiran, προέβλεψε θετικά αποτελέσματα για το εμβόλιο κατά του μελανώματος των Moderna και Merck, περιορισμένο κλινικό όφελος για το Wainua των AstraZeneca και Ionis, αποτυχία της πρώτης μελέτης του ziltivekimab της Novo Nordisk και επιτυχία για το πνευμονιοκοκκικό εμβόλιο της Vaxcyte.

Οι έξι αυτές περιπτώσεις αποτελούν ένα μικρό σύνολο προβλέψεων. Δεν αρκούν από μόνες τους για να τεκμηριώσουν τη γενική ακρίβεια του μοντέλου σε διαφορετικά φάρμακα, παθήσεις και πληθυσμούς.

Πώς δημιουργούνται οι εικονικοί ασθενείς

Ο Bragi Lovetrue, ο οποίος ίδρυσε την BioinvestGPT μαζί με τη σύζυγό του, Idonae Lovetrue, το 2024, περιγράφει μια πλατφόρμα που αξιοποιεί δεδομένα αλληλούχισης DNA για να προσομοιώσει έναν ανθρώπινο οργανισμό με χαρακτηριστικά συμβατά με τα κριτήρια ένταξης μιας συγκεκριμένης δοκιμής.

Στη συνέχεια, η εταιρεία πραγματοποιεί την εικονική δοκιμή χρησιμοποιώντας ένα μοντέλο του υπό εξέταση φαρμάκου. Ο Lovetrue υποστηρίζει ότι η προσέγγιση μπορεί να εντοπίσει τους λόγους για τους οποίους μια θεραπεία ενδέχεται να είναι αποτελεσματική και ασφαλής ή να μην αποδώσει.

Η QuantHealth, με έδρα το Τελ Αβίβ, ακολουθεί διαφορετική προσέγγιση: χρησιμοποιεί δεδομένα πραγματικού κόσμου και AI για να προσομοιώσει την ανταπόκριση σε επίπεδο ασθενούς. Σύμφωνα με το Reuters, έχει δημοσιεύσει προσομοιώσεις δοκιμών για την ελκώδη κολίτιδα και για φάρμακα που αφορούν τη χοληστερόλη.

Η αστοχία με το pelacarsen

Οι προσομοιώσεις δεν προβλέπουν πάντοτε σωστά. Η BioinvestGPT είχε εκτιμήσει ότι το pelacarsen της Novartis, το οποίο μειώνει τη λιποπρωτεΐνη(a), θα έδινε θετικά αποτελέσματα.

Ωστόσο, η Novartis ανακοίνωσε τον Σεπτέμβριο ότι η μελέτη Φάσης III Lp(a)HORIZON δεν πέτυχε το πρωτεύον καταληκτικό σημείο μείωσης του κινδύνου καρδιαγγειακών συμβαμάτων έναντι εικονικού φαρμάκου.

Ο Lovetrue παραδέχθηκε στο Reuters ότι το μοντέλο δεν αποτύπωσε σωστά τον μηχανισμό, επειδή δεν συνυπολόγισε γενετικά καθορισμένες διαφορές στο μέγεθος της λιποπρωτεΐνης.

Η περίπτωση δείχνει πόσο εξαρτάται μια πρόβλεψη από τις βιολογικές παραδοχές και τα δεδομένα που περιλαμβάνει το μοντέλο.

Οι προβλέψεις για Biogen και Takeda — και οι αντιδράσεις τους

Για αποτελέσματα που αναμένονται πριν από το τέλος του έτους, η BioinvestGPT προβλέπει αποτυχία δύο μελετών Φάσης III του litifilimab της Biogen στον συστηματικό ερυθηματώδη λύκο.

Προβλέπει επίσης αρνητική έκβαση για μελέτες Φάσης II του zasocitinib της Takeda στη νόσο Crohn και στην ελκώδη κολίτιδα, θεωρώντας ότι τα δύο φάρμακα δεν είναι επαρκώς κατάλληλα για τους συγκεκριμένους πληθυσμούς των δοκιμών. Πρόκειται για προβλέψεις της εταιρείας AI και όχι για δημοσιευμένα αποτελέσματα.

Το litifilimab στοχεύει τον υποδοχέα BDCA2 ανοσοκυττάρων και εξετάζεται επίσης σε διαφορετική μορφή λύκου. Το zasocitinib αναστέλλει την τυροσινική κινάση 2, TYK2. Σύμφωνα με το Reuters, η Takeda υπέβαλε πρόσφατα αίτηση έγκρισης στις ΗΠΑ για την ψωρίαση κατά πλάκας και διεξάγει μελέτη Φάσης III στην ψωριασική αρθρίτιδα.

Ο επικεφαλής έρευνας της Takeda, Andy Plump, ανέφερε ότι η ανάλυση ανθρώπινων γενετικών δεδομένων οδήγησε στην επιλογή του TYK2 ως στόχου, ενώ η μηχανική μάθηση βοήθησε στη βελτιστοποίηση της δομής του φαρμάκου. Δήλωσε εμπιστοσύνη στον μηχανισμό, αλλά εκτίμησε ότι η AI δεν βρίσκεται ακόμη στο σημείο όπου μπορεί να κάνει οριστικές προβλέψεις.

Από την πλευρά της Biogen, η Diana Gallagher, επικεφαλής κλινικής ανάπτυξης για τη σκλήρυνση κατά πλάκας, την ανοσολογία και τη νόσο Αλτσχάιμερ, είπε ότι η εταιρεία χρησιμοποιεί όλα τα διαθέσιμα εργαλεία, συμπεριλαμβανομένης της AI. Επισήμανε όμως ότι, με μόλις δύο εγκεκριμένες βιολογικές θεραπείες για τον λύκο, αλγόριθμοι που στηρίζονται σε ιστορικά δεδομένα ενδέχεται να τείνουν προς αρνητικές προβλέψεις.

Οι μελέτες σε ανθρώπους παραμένουν απαραίτητες

Ο Beca και άλλοι ειδικοί που μίλησαν στο Reuters συμφωνούν ότι οι κλινικές δοκιμές σε ανθρώπους θα παραμείνουν αναγκαίες. Θεωρούν, ωστόσο, ότι οι προσομοιώσεις μπορούν να βοηθήσουν στην αξιολόγηση του δυναμικού μιας πειραματικής θεραπείας.

Ο Beca θέτει και ένα ηθικό ερώτημα, δηλαδή κατά πόσο δικαιολογείται η έκθεση ασθενών σε μια δοκιμή που έχει μεγάλη πιθανότητα αποτυχίας, όταν υπάρχουν εργαλεία που ενδέχεται να προειδοποιούν εγκαίρως.

Εκτιμά ότι η πρόοδος της τεχνολογίας θα μπορούσε να αλλάξει αυτή τη συζήτηση τα επόμενα χρόνια. Για να στηρίξει, όμως, τέτοιες αποφάσεις, η προγνωστική AI χρειάζεται να αποδεικνύει συστηματικά ότι διακρίνει τα προγράμματα υψηλού κινδύνου χωρίς να αποκλείει θεραπείες που θα μπορούσαν να ωφελήσουν τους ασθενείς.

Πηγή: healthpharma.gr