DOI: https://doi.org/10.1038/d41586-024-00753-x
PMID: https://pubmed.ncbi.nlm.nih.gov/38480968
تاريخ النشر: 2024-03-13
المؤلف: Matthew Hutson
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تناقش هذه الفقرة المسارات المتناقضة لقوة الحوسبة وتطوير الأدوية، مع تسليط الضوء على قانون مور وقانون إيروم. بينما يشير قانون مور إلى أن قوة الحوسبة قد تقدمت باستمرار، مع مضاعفة عدد المكونات على الدوائر المتكاملة تقريبًا كل عامين، يكشف قانون إيروم عن اتجاه مقلق في تطوير الأدوية: عدد الأدوية المعتمدة لكل مليار دولار في البحث والتطوير قد انخفض إلى النصف كل تسع سنوات. وقد أدى ذلك إلى تصاعد التكاليف والأطر الزمنية لجلب أدوية جديدة إلى السوق، حيث تستهلك التجارب السريرية جزءًا كبيرًا من الموارد ولا يتقدم سوى جزء صغير من الأدوية من تجارب المرحلة الأولى إلى الموافقة.
لمواجهة التحديات التي يطرحها قانون إيروم، يتجه الباحثون بشكل متزايد إلى الذكاء الاصطناعي (AI) لتعزيز اكتشاف الأدوية وعمليات التجارب السريرية. يتم استكشاف تطبيقات الذكاء الاصطناعي لمهام متنوعة، بما في ذلك كتابة البروتوكولات، وتجنيد المرضى، وتحليل البيانات، مع إمكانية تبسيط وتحسين كفاءة البحث السريري. كما أشار خبراء الصناعة، فإن دمج الذكاء الاصطناعي في هذه العمليات يمثل فرصة كبيرة للابتكار داخل القطاع الصيدلاني.
مقدمة
تسلط المقدمة الضوء على التحديات الكبيرة في الاحتفاظ بالمرضى خلال التجارب السريرية، مشيرة إلى أن ما يقرب من 40% من المشاركين يتوقفون عن تناول أدويتهم خلال السنة الأولى، كما يتضح من تحليل 95 تجربة. لمواجهة هذه القضايا، اقترح الباحثون في نوفارتس الاستفادة من الذكاء الاصطناعي (AI) لتعزيز استراتيجيات الحفاظ على المرضى. يمكن للذكاء الاصطناعي التنبؤ بالانسحابات المحتملة من خلال تحليل البيانات التاريخية، مما يمكّن التدخلات السريرية في الوقت المناسب، ويمكنه أيضًا مراقبة الالتزام بالعلاج من خلال تحليل الفيديو للمرضى أثناء تناولهم الجرعات الموصوفة.
بالإضافة إلى ذلك، تناقش المقدمة دور الدردشة الآلية المدفوعة بالذكاء الاصطناعي في تحسين تفاعل المرضى. وجدت دراسة تقارن ردود ChatGPT بتلك الخاصة بالمهنيين الصحيين أن المرضى يفضلون الإجابات التي تم إنشاؤها بواسطة الذكاء الاصطناعي بنسبة تقارب 80% من الوقت. علاوة على ذلك، أداة تُدعى Chat-Doctor، تم تطويرها من خلال تحسين نموذج LLaMA-7B من ميتا على حوارات المرضى مع الأطباء، أظهرت القدرة على تقديم معلومات طبية محدثة من خلال الوصول إلى مصادر عبر الإنترنت في الوقت الحقيقي، متجاوزة قيود بيانات تدريب ChatGPT. وهذا يشير إلى طريق واعد لتعزيز دعم المرضى ونشر المعلومات في كل من التجارب السريرية وإعدادات الرعاية الصحية الروتينية.
نقاش
يسلط النقاش الضوء على التقدم الكبير في تصميم وتنفيذ التجارب السريرية، خاصة من خلال دمج تقنيات الذكاء الاصطناعي (AI). طور مختبر جيمينغ صن خوارزميات مثل HINT وSPOT للتنبؤ بنجاح التجارب بناءً على عوامل مختلفة، بينما تستخدم SEETrials من Intelligent Medical Objects GPT-4 لاستخراج بيانات السلامة والفعالية ذات الصلة من ملخصات التجارب. بالإضافة إلى ذلك، تهدف أدوات مثل CliniDigest وTrial Pathfinder، التي طورها باحثون في جامعة ستانفورد، إلى تبسيط تجنيد المرضى من خلال تحسين معايير الأهلية دون المساس بالسلامة، مما قد يؤدي إلى مضاعفة عدد المشاركين المؤهلين.
يمتد دور الذكاء الاصطناعي إلى إدارة بيانات التجارب السريرية المعقدة، مع أنظمة مثل PLIP وSDQ التي تعزز تنظيم البيانات واكتشاف الشذوذ. علاوة على ذلك، يمكن أن تقلل الابتكارات مثل التوائم الرقمية من Unlearn من عدد المرضى الضابطة المطلوبة في التجارب، مما يفيد كل من الباحثين والمشاركين. على الرغم من هذه التقدمات، تظل المخاوف الأخلاقية المتعلقة بتحيز الذكاء الاصطناعي، والشفافية، والاعتماد أمورًا حاسمة. تشير التطورات المستمرة في منهجيات التجارب السريرية، التي تسارعت بسبب جائحة COVID-19، إلى أن إمكانيات الذكاء الاصطناعي في هذا المجال لا تزال غير مستغلة إلى حد كبير، مما يمهد الطريق لتصاميم تجريبية أكثر شمولاً وكفاءة.
DOI: https://doi.org/10.1038/d41586-024-00753-x
PMID: https://pubmed.ncbi.nlm.nih.gov/38480968
Publication Date: 2024-03-13
Author(s): Matthew Hutson
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
The section discusses the contrasting trajectories of computing power and drug development, highlighting Moore’s law and Eroom’s law. While Moore’s law indicates that computing power has consistently advanced, with the number of components on integrated circuits doubling approximately every two years, Eroom’s law reveals a troubling trend in pharmaceutical development: the number of drugs approved per billion dollars in R&D has halved every nine years. This has resulted in escalating costs and timeframes for bringing new medications to market, with clinical trials consuming a significant portion of resources and only a small fraction of drugs progressing from phase I trials to approval.
To address the challenges posed by Eroom’s law, researchers are increasingly turning to artificial intelligence (AI) to enhance drug discovery and clinical trial processes. AI applications are being explored for various tasks, including protocol writing, patient recruitment, and data analysis, with the potential to streamline and improve the efficiency of clinical research. As noted by industry experts, the integration of AI into these processes represents a significant opportunity for innovation within the pharmaceutical sector.
Introduction
The introduction highlights significant challenges in patient retention during clinical trials, noting that nearly 40% of participants discontinue their medication within the first year, as evidenced by an analysis of 95 trials. To address these issues, researchers at Novartis have proposed leveraging artificial intelligence (AI) to enhance patient maintenance strategies. AI can predict potential dropouts by analyzing historical data, enabling timely clinician interventions, and can also monitor medication adherence through video analysis of patients taking their prescribed doses.
Additionally, the introduction discusses the role of AI-driven chatbots in improving patient engagement. A study comparing responses from ChatGPT to those from healthcare professionals found that nearly 80% of the time, patients preferred the AI-generated answers. Furthermore, a tool named Chat-Doctor, developed by fine-tuning Meta’s LLaMA-7B model on patient-doctor dialogues, demonstrated the capability to provide up-to-date medical information by accessing real-time online sources, surpassing the limitations of ChatGPT’s training data. This suggests a promising avenue for enhancing patient support and information dissemination in both clinical trials and routine healthcare settings.
Discussion
The discussion highlights significant advancements in the design and execution of clinical trials, particularly through the integration of artificial intelligence (AI) technologies. Jimeng Sun’s lab developed algorithms like HINT and SPOT to predict trial success based on various factors, while Intelligent Medical Objects’ SEETrials utilizes GPT-4 to extract relevant safety and efficacy data from trial abstracts. Additionally, tools such as CliniDigest and Trial Pathfinder, developed by researchers at Stanford, aim to streamline patient recruitment by optimizing eligibility criteria without compromising safety, thereby potentially doubling the number of eligible participants.
AI’s role extends to managing complex clinical trial data, with systems like PLIP and SDQ enhancing data organization and anomaly detection. Moreover, innovations such as digital twins from Unlearn can reduce the number of control patients needed in trials, benefiting both researchers and participants. Despite these advancements, ethical concerns regarding AI bias, transparency, and dependency remain critical. The ongoing evolution of clinical trial methodologies, accelerated by the COVID-19 pandemic, suggests that AI’s potential in this field is still largely untapped, paving the way for more inclusive and efficient trial designs.