动脉网知识库

登录动脉网

AI正在重构药物临床试验流程,苹果正在打通数据重构临床试验【CBinsight最新报告】

杨雪 2018-08-18 08:00

技术带给医药行业无尽的财富,造就了医药行业的高度繁荣。


以人工智能、机器学习、大数据、移动医疗等为代表的数字化技术正在重塑医药行业,为行业带来崭新面貌。动脉网近期推出“医药数字化转型”专题,全面解析技术驱动下的产业变革。专题请戳这里


测试新药是一个缓慢、昂贵和耗费人力的过程。人工智能有可能重构临床试验过程的每个阶段——无论是从匹配符合条件的患者到临床试验过程,再到监测依从性和数据收集。

 

在美国,2018年有超过170万人首次被诊断出患有癌症。与此同时,超过1万项临床试验将各自需要招募数千名新患者,用于测试可能拯救生命的实验性癌症药物。然而,只有不到5%的癌症患者最终参加了试验。

 

造成临床试验无法匹配合适的患者原因是多重的。对于癌症这样的绝症,只有当现有的治疗方法已经失败时,患者才可以参加药物试验。最重要的是,并不是所有被诊断出患有绝症的病人都有资格参临床试验,甚至,发现他们是否有资格参加就是一项艰巨的任务。

 

对于那些有资格参加试验的人来说,参加试验需要大量的成本和时间,而现有的数据收集方法把这一过程变得更加复杂。

 

现有临床试验的过程也不止是让患者日子难过,临床试验对于的其它利益相关方例如药企、CRO而言也是一个低效的过程。药物试验平均耗时近十年,耗资高达数十亿美元。许多试验由于注册问题而失败。这些都在说明这个价值650亿美元的临床试验市场需要进行改造。

 

人工智能现在被吹捧为万能的灵丹妙药,该技术在简化冗杂临床试验过程方面具有巨大潜力。例如从远程监测的物联网到处理EHR数据的机器学习,再到基于人工智能的数据保护网络安全。

 

美国知名数据服务机构CBinsight近期分析了人工智能在临床试验中的前景和局限性,动脉网(微信号:vcbeat)对此作了整理编译。

 

本文主要内容包括

1.为什么制药公司需要加快药品研发过程?

临床试验现状

2.AI如何改变临床试验环节?

患者招募上匹配病人和试验

简化注册流程

数据收集和依附性上

3.苹果公司准备如何重构临床试验

4.为什么只有AI不能成为灵丹妙药 


为什么制药公司需要加快药物研发过程


新药上市是一个漫长而艰巨的过程。

 

尽管没有药物研发相关支出和时间表的中央存储库,但研究估计,新药在患者身上进行测试的时间平均耗时7.5年,每一种药物的成本在1.61亿至20亿美元之间。

 

众所周知,临床试验需要多阶段进行,而且在这个过程中,成本和花费是递增的。三期试验需要更多的患者群体,而且比一期试验昂贵和复杂得多。就算已经投入了大量的时间和金钱,但是最后,所有进行了一期临床试验的新药,只有十分之一会被FDA批准上市。


clinical_trials_process-1024x768.png

 

临床试验失败的原因有很多,包括未能招募到足够的参与者、中途病人退出、意外和严重的副作用以及数据收集方法不当都可能导致新药夭折。

 

当然,越是在后期失败的临床试验,临床试验发起者和患者越要付出更高的代价。有时候临床试验失败带来的打击对制药公司来说很可能是致命的。

 

例如,瑞士诺华将其17年第一季度净收益下降15%归因于一种用于治疗心力衰竭的III期药物的失败。这还不算什么,在美国,制药公司Tenax Therapeutics的主要药物在第三阶段试验失败两个月后,CEO引咎辞职。据报道,该公司正考虑合并或出售。

 

对于进入这一领域的小型生物制药和初创企业药企来说,失败的代价更为显著。失败的风险是绝对的,特别是制药公司只押宝在一种药物上。

 

与药物研发相关的高成本最终只会转嫁到消费者身上。消费者购买的医疗保健服务不仅包括了成功研发药物的成本,他们同样需要为那些失败了的临床试验买单。这也是为什么药价如此之高。

 

除去经济代价,失败或无效试验的人为代价是病人。


AI-clinical-trials-feature-image-08.06.2018-896x1024.png

 

对大多数患者来说,发现临床试验是一个尝试的过程,但是注册和参与却带来了新的挑战。

 

许多临床研究仍然使用原始的和过时的方法来收集和验证数据,通过传真发送病人的医疗记录,手工清点瓶子里剩余的药片,以及依靠病人日记记录来确定服药依从性。显然这个过程需要被重构。

 

AI将如何改变临床试验环节


可以说AI拥有改变临床试验中的每一个环节的能力,从临床试验注册到病人依从性管理。


发现临床试验

 

改变现有的临床试验过程,将合适的患者同需要的临床试验匹配能够节约大量的时间,无论是对于患者还是对于制药公司。

 

根据Cognizant关于招募预测的一份报告,大约80%的临床试验未能在期限内招募到合适的患者,大约有三分之一的III期临床研究由于患者招募困难而终止。

 

目前,美国有超过1.8万项临床研究正在招募患者,其中仅乳腺癌一项就有约1000项。CBinsight援引白宫的在2018年5月的说法:“实际上,只有3%的癌症病人能够参与到临床试验中。”

 

如果医生知道正在进行的试验,患者可能偶尔会从医生那里得到试验建议。否则,患者就需要自己从政府部门ClinicalTrials.Gov中寻找相关信息。ClinicalTrials.Gov是一个全面的联邦数据库,收集了过去和正在进行的临床试验信息。

 

假如有AI,理想的方案是使用人工智能软件,从病人的病历中提取相关信息,与正在进行的试验进行比较,并建议进行匹配研究。

 

事实上,从医疗记录中提取信息——包括EHRs和实验室图像——是人工智能在医疗领域最受欢迎的应用之一。然而,这项技术的真正落地不得不面临一些挑战,比如非结构化医疗数据和互不通信的不同数据源。

 

EHR互操作性的挑战


尽管联邦政府在过去十年中花费了超过280亿美元来推行数字化电子健康记录(EHRs),但是对于病人的医疗数据,并没有一个集中的存储库或标准格式。事实上,病人很难从他去过的所有医疗机构中集成所有的医疗信息。

 

HIPAA法案是一项保护患者医疗数据和隐私的法律,它允许将患者数据与姓名和SSN号码等可识别个人身份的信息共享,这种共享一般基于患者签署知情同意书后。这使得人工智能初创公司能够在几分钟内分析这些医疗数据,并建议符合条件的患者,按照目前的流程,这个过程将需要几个月的时间。

 

但是互操作性(兼容)的问题依然存在,跨机构或者不同软件之间无法轻松共享健康信息。

 

治疗同一病人的不同医院可能会使用不同的EHR软件来输入数据。在临床试验中,研究人员仍会向不同的医院发送具体病人记录的传真请求,这些医院随后会以图片(包括手写笔记或PDF文件的图片)的形式将信息传真或发送电子邮件。

 

这对人工智能技术提出了挑战。麻省理工学院、哈佛大学、约翰霍普金斯大学和纽约大学的研究人员的一项研究表明:“在临床注释中,情绪分析和词义消歧等标准的自然语言处理任务是很困难的,因为临床数据常常出现拼写错误、首字母缩写和大量复制粘贴。”

 

健康人工智能公司Flatiron Health在一份专利申请中进一步解释了这一点:“结构化数据也可能因为传输方式而变得非结构化。例如,电子表格传真或转换成只读文档(比如PDF)会丢失其大部分结构。

 

这种过时的人工系统使得临床试验研究人员难以收集确定患者资格所需的准确数据。

 

去年,总部位于加州的创业公司Mendel的AI试图通过整合癌症患者病史的方式来解决这一挑战,患者可以在Mendel的平台上提交自己的病历。或者,病人可以允许Mendel代表他们从医生那里收集所有的医疗记录。

 

Mendel正在开发机器学习算法,从数字记录中提取信息,并将病人与正在进行的最适合他们需要的试验相匹配。这家初创公司以订阅的方式向患者收取费用,最初3个月以99美元的起价处理所有医疗记录数据。

 

但Mendel从那以后没有宣布进一步的扩展计划,也没有进一步筹集资金。此外,其网站上的上传医疗记录的选项已不再可用。

 

其他公司,如 Antidote.me正在使用机器学习来简化ClinicalTrials.Gov网站上列出的“纳入/排除”标准中的术语。

 

在B2B方面,创业公司正在使用深度学习和自然语言处理,通过直接与健康机构合作,使临床试验匹配自动化。例如,Deep 6 AI与Cedars-Sinai医疗中心以及TD2合作。TD2是一家肿瘤CRO公司。

 

收购成为解决互操性的策略


Flatiron Health在2014年收购了一家关注肿瘤的EMR公司Altos Solutions,解决了互操作性问题。

 

当时,Flatiron正将其云分析平台出售给医疗和生命科学公司。Altos的EMR也被 Florida Cancer Specialists肿瘤学机构使用。该交易让Flatiron能够直接访问患者的原始数据,而不是仅仅依赖第三方电子邮件。

 

截至目前,超过2500名临床医生使用Flatiron 's OncoEMR,相关报道表示有超过200万活跃的病人记录可供研究。

 

此外,罗氏于2018年2月以19亿美元收购了Flatiron。这成为在人工智能领域最大的并购交易之一。这一点,再加上罗氏近期收购Foundation Medicine和Viewics等其他数字化举措,突显出罗氏有意将自己重新定位为一家由机器学习驱动、高度关注数据的制药公司。

 

临床试验注册的挑战

 

当病人发现合适的临床试验时,登记程序不会结束。相反,患者必须访问参与试验的地点,确认他是否有资格,患者还需与临床研究小组的研究人员进行初步电话筛选。患者也必须满足试验列表中的纳入和排除标准,每个病人都必须满足一个研究的资格。而这些标准常常充斥着医学术语。

 

例如在FDA批准的一项关于乳腺癌的临床试验中,患者必须通过评估,如实验室和成像测试,以确保她符合所有的纳入和排除标准。

 

根据他们的可用性和他们离试验地点的距离,一些病人可以在不到一周的时间内完成这些程序。但对于那些忙于工作、父母或长时间通勤的人来说,这个过程可能需要多次出差。

 

作为确认资格的一部分,现场调查人员从其他医生办公室收集病人的医疗记录。如前所述,这些传真或电子邮件副本在使用人工智能提取信息时增加了一层复杂性。

 

如果符合条件,患者签署同意临床试验条款的同意书。这包括意识到潜在的副作用,愿意提供含有遗传信息的生物样本,以及支付研究预算中未包括的费用。

 

一些使用人工智能从病人病历中提取信息的解决方案可以通过自动验证某些纳入和排除标准来帮助简化注册过程。

 

更有效的解决方案是使用病人生成的数据。由于实时生成的数据量很大,AI与患者生成的数据是不可分割的。苹果公司正在探索这方面的应用。

 

Apple正在围绕iPhone和Apple Watch逐步建立一个临床研究生态系统。通过在舒适的家中对病人进行持续监测,该公司可以产生大量以前无法获得的健康数据。


Apple_researchkit_trials-1024x725.png

 

苹果公司已经在与医疗机构和医学研究人员合作,以轻松地确定适合他们研究的患者群体。下面将具体探讨这一部分。

 

临床试验病人依从性


在病人确认参加临床试验后。病人回家后,会带着第一个疗程的药物(例如,一个30天的药瓶,说明剂量)和需要每天填写的病人日记。许多临床研究仍然使用纸质日记而不是电子系统。

 

患者在服用研究药物时,需要注意当时服用的其他药物,以及任何不良反应(包括头痛、胃痛、肌肉疼痛)。

 

从中可以发现整个临床试验数据的记录依赖于无法证实的信息来源,比如病人的记忆和纸质记录,会导致效率低下。

 

对病人记忆的依赖:当病人来做定期检查时,研究人员检查他们的药瓶,以确保没有剩余的药片,并检查病人的日记中是否有空白或不一致的地方。如果日记条目中缺少信息,研究者就依赖于患者对事件的记忆。这使得这个过程容易出现人为错误。

 

过时的记录系统:纸质文件可能会丢失信息,这是一种过时和不可靠的方式,它记录的关键信息可能被丢失。

 

病人放弃风险:频繁前往临床研究地点进行定期检查会对患者造成时间和金钱的压力,尤其是对于那些在国外旅行的患者(机票、酒店住宿、休假时间等)。这加大了病人中止的风险。

 

额外费用:虽然患者签署的同意书中包含了自付费用,但很多患者不明白可能会有额外费用。例如,在随访期间进行的额外MRI和实验室检查可能不包括在试验中,而且保险公司也不会覆盖这些费用,因为它们是用于“研究”目的,而不是出于“医疗需要”。

 

AI如何帮助药物治疗和提高依从性


不坚持治疗,或者不以正确的方式服用药物,可能会对病人的健康产生不利影响,对于研究方来说,如果一项研究招募新病人,就会增加成本,并影响研究结果的准确性。

 

临床研究的发起者们迫切希望改变这一状况,并为此投资技术。

 

除了使用移动技术提醒患者服药外,辉瑞和诺华制药公司还在物联网和“可吸收传感器”方面进行投资,以跟踪药物摄入情况。在17年第一季度,默克风险投资公司(Merck Ventures)参与了Medisafe公司1450万美元的B轮融资,该公司开发无线药瓶。

 

人工智能初创企业在病人依从性上走得很远,提供了视觉确认方案。总部位于纽约的移动SaaS平台AiCure使用图像和面部识别算法来跟踪病人依从度。患者用手机录下自己吞下药片的视频,AiCure确认是正确的人吃了正确的药片。在国家健康研究所和国家药物滥用研究所等机构的一系列资助之后,AiCure又筹集了2700万美元的新一轮融资。

 

这个领域的另一家初创公司,由Khosla Venture支持的Catalia Health正在开发一款使用人工智能的医疗伴侣和顾问。

 

Catalia希望通过询问特定的问题,设置提醒,以及为每个患者量身定制对话来加强患者的行为改变。该公司的目标之一是了解为什么病人依从性差。Catalia的机器人助手本质上是一款带有触摸屏的平板电脑,但据报道,这家初创公司也在致力于语音激活。

 

值得注意的是,人工智能助手成功改变生活方式的能力在很大程度上取决于患者是否愿意每天与人工智能进行互动——这一点可以通过人工智能物联网技术进行监控。

 

AI+物联网提供持续的每日反馈


一个新兴的趋势是将生物传感器与人工智能融合在一起。

 

为此,一些初创公司正在开发自己的监控设备和传感器,然后添加一层机器学习来解释数据。其他人则只在开发人工智能软件,并与第三方家庭监控设备进行整合。

 

以色列公司ContinUse Biometrics 正在开发自己的传感技术。这家初创公司监测了20多个生物参数——包括心率、血糖水平和血压,这是药物试验期间测量的一些标准生命特征——并使用人工智能来发现异常行为。该公司在2018年第一季度B轮融资中融资2000万美元。

 

Biofourmis正在开发一个人工智能分析引擎,它从FDA批准的家庭监测设备中提取数据并预测患者的健康结果。

 

AI +物联网在临床试验中具有实时、持续监测患者生理和行为变化的潜力,有可能降低现场检查的成本、频率和难度。


苹果准备如何重构临床试验


对于小型初创企业来说,简化临床试验的最大障碍是这些技术相对较新,且行业适应速度较慢。

 

不过,苹果(Apple)等科技巨头已经看到,它们在吸引合作伙伴参与其关注医疗保健的举措方面取得了成功。苹果(Apple)已经在解决医疗行业信息流中的一些瓶颈,允许研究人员使用其API构建人工智能应用。

 

特别是,苹果正在围绕其两款设备iPhone和Apple Watch建立一个临床研究生态系统。数据是人工智能应用的核心。通过这些产品,苹果公司可以向医学研究人员提供两种数据流,这两种数据在目前都难以获得。

 

苹果的大数据流

 

自2015年以来,苹果推出了两个开源框架——ResearchKit和CareKit——以帮助临床试验招募患者并远程监控他们的健康状况。这些框架允许研究人员和开发人员创建医疗应用程序来监控患者的日常生活。

 

例如,杜克大学(Duke University)的研究人员开发了一款名为“自闭症与超越”(Autism & Beyond)的应用程序,它使用iPhone的前置摄像头和面部识别算法对儿童进行自闭症筛查。

 

与此类似,近1万人使用了mPower应用程序,该应用程序在用户知情同意情况下,使用手指敲击和步态分析等练习来研究帕金森疾病。该应用的其他变体,比如面向Android用户的HopkinsPD,使用机器学习来处理从智能手机中收集的数据,从而评价患者帕金森病情的严重程度。

 

重构EHR数据共享

 

今年1月,苹果(Apple)宣布,iPhone用户现在可以通过iPhone的健康APP访问他们所有的医疗记录信息。这一功能被称为“健康记录”API,是人工智能医疗初创公司Gliimpse在2016年被苹果收购之前所做的工作的延伸。

 

Gliimpse网站上的信息显示,它的“核心技术是将医疗文档转化为数据,方便地搜索和过滤最重要的图形和仪表板”。这与苹果公司开发的健康记录功能相一致——一个易于使用的界面,用户可以找到他们需要的过敏、疾病、免疫、实验室结果、药物、程序和生命体征信息。

 

苹果还与Cerner和Epic等热门的EHR供应商合作,解决互操作性问题。这些合作关系的一个潜在最终目标可能是双向数据流,在这种情况下,EHR供应商被鼓励将患者生成的数据集成到苹果软件中。

 

来自苹果公司的发言称:“500多名医生和医学研究人员使用苹果的ResearchKit和CareKit软件工具进行临床研究,涉及300万参与者,涉及的疾病从自闭症和帕金森症到外科手术后的家庭康复和物理治疗。”

 

今年6月,苹果为开发者推出了健康记录API。用户可以选择与第三方应用程序或医学研究人员共享他们的数据。此举为疾病管理和生活方式监测开辟了新的可能性。

 

这些数据对临床研究意味着什么?

 

苹果现在正处于一个新的医疗数据生态系统的中心,提供以前无法获得的健康数据,同时收集难以整合的EHR信息。

 

在使用人工智能和机器学习进行早期诊断、推动药物设计决策、招募合适的患者进行研究、以及在整个研究过程中远程监控患者的进展方面,应用场景将是无穷无尽。

 

苹果在这个领域的一个潜在竞争对手是谷歌。谷歌的 Project Baseline计划旨在招募1万名患者,并在5年的时间里监控他们的日常生活,最终可能造福于临床试验。

 

许多试验有实验组(服用研究药物的病人)和对照组(服用安慰剂的病人)。对照组的目的是建立一个基线来与实验组的症状进行比较。病人通常不知道自己在服用什么药物。

 

患者生成的数据——就像谷歌的 Project Baseline正在收集的一样——可以消除对控制组的需求,提供控制所需的数据,并最终减少患者招募困难。然而,该项目仍处于早期阶段,具体应用可能要过几年才能实现。

 

为什么只有AI不是万能的


医疗保健行业在人工智能应用方面处于领先地位,试验了从机器辅助诊断到从电子健康记录中提取信息的应用。

 

尤其值得一提的是,利用AI发现新药也呈增长势头,制药巨头默克公司(Merck)与初创公司Atomwise合作,葛兰素史克(GlaxoSmithKline)与Insilico Medicine等公司合作,将AI应用到新药研发上。

 

但人工智能在实际临床试验过程中的应用仍处于初级阶段。

 

与医疗保健的其他领域相比,直接针对临床试验领域客户的初创企业更少。在临床试验的许多方面,AI的落地,首先需要整个行业的数字化。

 

如上所述,许多试验仍然依赖于纸质日记来获取数据。哪怕有些部分以数字格式储存,也难以搜索。而手写的临床记录在提取信息上必须克服处理自然语言处理这一挑战。

 

在临床试验中,最大的障碍之一将是克服惰性,彻底更新目前不再有效的流程。

 

另一个挑战将是准确理解人工智能可以在哪里提供帮助以及它目前的局限性。研究人员必须围绕可实现的短期目标展开讨论,而不是幻想AI让所有问题都消失。

 

就目前而言,开发新的数据来源并将数据交给患者——就像苹果公司正在做的那样——在临床研究中被证明是革命性的,一个绝佳的例子就是利用APP互动为患者的帕金森严重程度评分。

 

最终,人工智能应用于临床试验的目标,将是缩小患者目前可获得的信息与他们真正需要的信息的差距,让他们过上更健康的生活。


注:文中如果涉及动脉网记者采访的数据,均由受访者提供并确认。如果您有资源对接,联系报道项目,寻求合作等需求请填写 需求表

声明:动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。转载请联系tg@vcbeat.net。

还没有评论,快来抢沙发吧!

分享

微信扫描二维码分享文章