آزمایشات بالینی با داده های بزرگ بهتر ، سریعتر ، ارزان تر است


نیکلاس بوریس ، مدیر ارشد پزشکی در لارنسویل ، نیویورک ، یک شرکت بیوتکنولوژی به نام Celsion ، که در حال تولید نسل جدید شیمی درمانی و ایمنی درمانی برای سرطان کبد و تخمدان است ، گفت: “یکی از سخت ترین کارهای من ثبت نام بیماران در تحقیقات است.” و برخی از انواع تومورهای مغزی. بوریس تخمین می زند که کمتر از 10٪ بیماران سرطانی در آزمایشات بالینی قرار دارند. “اگر می توانستیم این میزان را تا 20٪ یا 30٪ بدست آوریم ، احتمالاً تاکنون می توانستیم چند سرطان را شکست دهیم.”

آزمایشات بالینی قبل از تأیید برای استفاده عمومی ، داروها ، دستگاه ها و روش های جدید را آزمایش می کنند تا مطمئن شوند و آیا آنها ایمن هستند. اما راه از طراحی مطالعه تا تصویب طولانی ، پیچ در پیچ و گران است. امروزه محققان از هوش مصنوعی و تجزیه و تحلیل پیشرفته داده ها برای سرعت بخشیدن به روند کار ، کاهش هزینه ها و درمان سریعتر و م moreثرتر برای نیازمندان استفاده می کنند. و آنها از یک منبع کم مصرف اما سریع رشد می کنند: داده های بیماران مطالعات گذشته

ساخت کنترل خارجی

آزمایشات بالینی معمولاً حداقل شامل دو گروه یا “دست” است: بازوی آزمایشی یا آزمایشی که تحت بررسی قرار می گیرد و بازوی کنترل که چنین نیست. بازوی کنترل بسته به نوع درمان در حال آزمایش و مقایسه با پروتکل مطالعه ، ممکن است هیچگونه درمان ، دارونما یا استاندارد فعلی مراقبت از بیماری تحت درمان را دریافت نکند. به راحتی می توان مشکل انتصاب محققانی را که در زمینه درمان سرطان و سایر بیماری های کشنده مطالعه می کنند ، مشاهده کرد: بیماران با بیماری تهدید کننده زندگی اکنون به کمک نیاز دارند. بوریس می گوید ، اگرچه آنها ممکن است مایل باشند با یک روش درمانی جدید ریسک کنند ، اما “آخرین چیزی که آنها می خواهند این است که تصادفی بر روی بازوی کنترل قرار بگیرند.” این عدم تمایل را با نیاز به استخدام بیمارانی که بیماری های نسبتاً کمیابی دارند – مانند نوعی سرطان پستان که با مارکر ژنتیکی مشخص می شود – ترکیب کنید و زمان استخدام کافی افراد را می توان ماهها یا حتی سالها افزایش داد. از هر 10 آزمایش بالینی در سراسر جهان 9 مورد – نه فقط برای سرطان ، بلکه برای انواع بیماری ها – نمی توانند افراد را در بازه های زمانی مورد نظر خود جذب کنند. برخی از آزمون ها به دلیل کمبود شرکت کننده کافی کاملاً شکست می خورند.

اگر محققان مجبور به استخدام گروه کنترل نباشند و بتوانند برای هر کسی که موافقت کند در این مطالعه شرکت کند ، درمان آزمایشی انجام دهد ، چه می شود؟ Celsion در حال بررسی چنین رویکردی با Medidata مستقر در نیویورک است که نرم افزار مدیریت و جمع آوری اطلاعات الکترونیکی را برای بیش از نیمی از آزمایشات بالینی جهان فراهم می کند و بیشتر دستگاه های دارویی و پزشکی و همچنین مراکز پزشکی دانشگاهی را در اختیار شما قرار می دهد. Medidata که توسط شرکت نرم افزاری فرانسوی Dassault Systèmes در سال 2019 خریداری شد ، منبع عظیمی را برای “داده های بزرگ” جمع آوری کرده است: اطلاعات دقیق بیش از 23000 مطالعه و نزدیک به 7 میلیون بیمار که حدود 10 سال به عقب باز می گردند.

ایده استفاده مجدد از داده های بیمار در مطالعات گذشته برای ایجاد “سلاح های کنترل خارجی” است. این گروه ها عملکردی مشابه سلاح های کنترل سنتی دارند اما در شرایطی که به سختی می توان گروه کنترل را به کار گرفت ، می توان از آنها استفاده کرد: به عنوان مثال ، برای بیماری های بسیار نادر یا بیماری هایی مانند سرطان که بلافاصله تهدید کننده زندگی هستند. همچنین می توان از آنها برای آزمایش های یک دست که گروه کنترل را غیر عملی می کند ، به طور مثر استفاده کرد: به عنوان مثال ، برای سنجش کارایی دستگاه کاشته شده یا روش جراحی. شاید ارزشمندترین استفاده فوری آنها انجام سریع تحقیقات مقدماتی برای ارزیابی ارزش ادامه درمان تا مرحله آزمایش بالینی کامل باشد.

Medidata از هوش مصنوعی برای تهیه پایگاه داده خود و یافتن بیمارانی استفاده می کند که در تلاش برای درمان یک شرایط خاص برای ایجاد نسخه خود از سلاح های کنترل خارجی ، به عنوان کنترل کننده در گذشته عمل کرده اند. آرناوب چاترجی ، معاون ارشد محصولات ، Acorn AI در Medidata ، گفت: “ما می توانیم این بیماران تاریخی را به دقت انتخاب كرده و بازوی آزمایش كنونی را با داده های مطالعات تاریخی مقایسه كنیم.” (هوش مصنوعی Acorn بخش داده ها و تجزیه و تحلیل Medidata است.) مطالعات و بیماران با اهداف مطالعه مطابقت دارند – به اصطلاح نقاط پایان ، مانند کاهش مرگ و میر یا مدت زمانی که بیماران سرطان می مانند – و سایر جنبه های طراحی مطالعه ، مانند داده های جمع آوری شده در شروع مطالعه و در طول مسیر.

روتی دیوی ، معاون علم داده ، Acorn AI در Medidata ، می گوید: وقتی بازوی کنترل خارجی ایجاد می کنیم ، “ما تمام تلاش خود را می کنیم تا یک آزمایش کنترل شده کاملاً تصادفی را تقلید کنیم.” اولین قدم جستجوی پایگاه داده برای یافتن نامزدهای احتمالی بازوی کنترل ، با استفاده از معیارهای اصلی واجد شرایط بودن ازمون است: به عنوان مثال ، نوع سرطان ، ویژگی های اصلی بیماری و میزان پیشرفت آن ، و اینکه آیا بیمار تحت درمان است یا خیر. اولین بار. دیوی گفت ، این اساساً همان فرآیند مورد استفاده برای انتخاب بیماران کنترل در یک آزمایش بالینی استاندارد است – به استثنای داده های ثبت شده در ابتدای مطالعه قبلی ، نه مطالعه فعلی ، که برای تعیین صلاحیت استفاده شده است. وی افزود: “ما بیماران تاریخی را پیدا می كنیم كه اگر امروز وجود داشته باشند ، می توانند آزمایش شوند.”

گزارش کامل را بارگیری کنید.

این محتوا توسط Insights ، بازوی کاربر بررسی فناوری MIT ایجاد شده است. توسط MIT Technology Review نوشته نشده است.


منبع: unbox-khabar.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>