Chegou a hora de as empresas de biotecnologia adotarem o aprendizado de máquina para ensaios clínicos, mas elas deveriam começar com a compilação dos dados. Isso significa lidar com registros de pacientes do mundo real.
Para empresas iniciantes que desenvolvem novos medicamentos, os ensaios clínicos estão cheios de riscos. Obter a aprovação de medicamentos através de ensaios clínicos é um processo lento e dispendioso que requer recursos e infra-estruturas ou, para empresas de biotecnologia em fase inicial, interacções com serviços de fornecedores externos. Alguns fornecedores ajudam especificamente no recrutamento para ensaios clínicos, uma tarefa difícil tanto para grandes como para pequenas empresas farmacêuticas, mas o recrutamento para ensaios de doenças raras pode ser ainda mais desafiante. Não precisa ser assim – os avanços no aprendizado de máquina (ML) podem ajudar. Vimos como a inteligência artificial (IA) e o ML podem acelerar os fluxos de trabalho de desenvolvimento de medicamentos. É hora de os ensaios clínicos começarem a se beneficiar também da IA.
Os ensaios clínicos tornaram-se muito mais complicados no desenho geral ao longo dos últimos 25 anos, com a participação de vários países e órgãos reguladores, novos formatos de ensaios e um conjunto mais amplo de fontes de dados, como dados do mundo real e dados de dispositivos.1. Estas complexidades podem levar a atrasos devido ao recrutamento de ensaios e a obstáculos regulamentares, aumentando os custos. Há espaço para tornar este processo mais rápido e suave, mas ninguém pode prever com certeza se a mudança de protocolos será melhor e mais segura — entre pacientes e empresas (privacidade) e entre diferentes agências governamentais (fluxos de trabalho regulatórios). É difícil instigar qualquer tipo de mudança coordenada em grande escala. A biotecnologia, com a sua estrutura tradicionalmente flexível, vontade de experimentar coisas novas e uma forte presença no espaço da IA/ML, está numa posição única para enfrentar alguns destes desafios. Recentemente, Highlander Health anunciado que investirá em empresas que esperam unir a geração de evidências clínicas e cuidados de saúde personalizados, reduzindo o custo e a complexidade dos ensaios clínicos, apoiando empresas de biotecnologia que queiram testar possíveis melhorias.
Existem precedentes sobre como ter sucesso aqui. Em ensaios clínicos, os registos de saúde eletrónicos (EHR) ajudam a identificar os participantes elegíveis e a acompanhar os resultados clínicos. Em 2012, a Flatiron Health, adquirida pela Roche por US$ 1,9 bilhão2perceberam que a coleta de dados dos pacientes exigia a transferência de registros manuais para bancos de dados. Além disso, os dados clínicos e genómicos são geralmente recolhidos separadamente, por prestadores e laboratórios de diagnóstico; portanto, pode ser difícil combinar estes dados sem divulgar informações privadas do paciente. Flatiron criou software para melhorar esses fluxos de trabalho em oncologia e agregou EHRs de práticas oncológicas nos Estados Unidos em um enorme conjunto de dados usado para treinar modelos de IA e ML. As empresas farmacêuticas usam previsões de modelos de seu banco de dados para identificar pacientes que seriam adequados para coortes de ensaios clínicos para mais de 22 tipos de tumorem parte através de uma pré-seleção rápida de pacientes para ensaios clínicos.
Na oncologia, os esforços para utilizar dados do mundo real já deram frutos, por algumas razões. A oncologia é um campo com progressão conhecida da doença e os resultados do tratamento são mensuráveis. Esses dados se prestam muito bem ao ML e as previsões podem ser validadas – como na plataforma Flatiron, onde uma rede de especialistas clínicos examina as recomendações3. Além disso, os dados do mundo real podem ser desidentificados, mantidos seguros e atualizados e representar a população em geral e a diversidade dos pacientes.
Na medicina personalizada ou nas doenças raras, o progresso tem sido mais lento. Os históricos dos pacientes são mais complicados, assim como os seus sintomas, e os dados do EHR ainda são de baixa qualidade e não são facilmente compartilhados. Há uma oportunidade aqui – uma que a Highlander Health planeja enfrentar. A Highlander Health visa criar um sistema de saúde educacional, coletando dados de pesquisas clínicas e do atendimento diário aos pacientes e aplicando-os continuamente para melhorar o tratamento dos pacientes, fornecendo-lhes medicamentos com mais rapidez. A Highlander Health foi criada para ter dois braços: uma empresa de capital privado que investe em empresas de ciências da vida, saúde e tecnologia (mais detalhes em breve) e o Highlander Institute, que é um braço filantrópico que concede doações específicas. As empresas de biotecnologia com ideias para facilitar a recolha de dados dos EHR para utilização numa variedade de contextos encontrariam apoio financeiro e moral nesta iniciativa.
Para novas empresas, incorporar IA e ML em seu ecossistema desde o início pode gerar ganhos rápidos. Por exemplo, grandes modelos de linguagem poderiam organizar dados de EHR a partir de notas escritas manualmente, os pacientes poderiam ser melhor adaptados aos ensaios clínicos e as imagens clínicas e os diagnósticos poderiam ser incorporados nos resultados dos ensaios.
No longo prazo, a IA pode melhorar o próprio design de estudos clínicos – mas isso aconteceria depois que os EHRs fossem integrados de forma mais integrada aos fluxos de trabalho. A capacidade de utilizar dados do mundo real adquiridos durante a prática clínica de rotina e de integrá-los nos dados e no desenho dos ensaios clínicos mudaria, em primeiro lugar, a forma como os estudos são concebidos. A otimização dos braços de controle sintéticos, que são controles externos gerados usando dados externos do paciente, por exemplo, poderia reduzir o número de pacientes que receberam placebos4 ao mesmo tempo que exige números de matrículas mais baixos. No futuro, existe potencial para que os modelos criem “gémeos digitais”, ou réplicas virtuais de pacientes que possam prever resultados específicos do tratamento. A Administração de Alimentos e Medicamentos dos EUA está mostrando uma aumento do interesse na utilização de dados do mundo real, o que significa que agora é o momento em que as empresas podem começar a testar novas práticas.
Na descoberta de medicamentos, são os dados subjacentes aos modelos que são cruciais. A IA precisa dos dados de treinamento corretos — e sem conhecer os mecanismos biológicos subjacentes, é impossível prever como um medicamento atuará em um paciente. Mesmo com pouco para mostrar até agora, a biotecnologia adotou a IA para a descoberta de medicamentos, depositando a sua confiança em algoritmos que funcionam no papel. Se eles funcionam ou não em pacientes, não pode ser conhecido sem conjuntos de dados de treinamento cada vez maiores. Neste momento, o oposto é verdadeiro: os ensaios clínicos geram grandes quantidades de dados, mas as empresas de biotecnologia ainda não geraram os modelos para utilizar estes dados de forma eficaz. É claro que os dados clínicos devem ser utilizados com cautela e a confiança deve ser estabelecida, mas a plataforma (e agora o financiamento, graças à Highlander Health) está agora disponível para a biotecnologia aproveitar.
