问正确的问题，招募正确的病人：临床试验中的人工智能
从发现最终可能成为药物的化合物，到训练聊天机器人以支持服用这些药物的患者，人工智能可以在药物开发周期的任何地方发挥作用。其中之一就是临床试验，这项技术可以让患者和研究人员更容易地进行研究，并最终帮助生物制药公司制造出最好的药物。
在关于人工智能的讨论中，科研人员表示，关键是为工作选择合适的工具。生物医学中的“人工智能”已经成为一个涵盖真正的人工智能、机器学习、深度学习、计算机视觉、生物统计和数据科学的总称。
(相关阅读：生物制药“拥抱”人工智能）
强生子公司杨森（J&J’s Janssen)首席数据科学官、战略和运营全球主管Najat Khan博士表示:“对我们杨森研发中心来说，一切开始于我们审视产品线时的问题，以及我们正在尝试构建的不同药物。”
“一旦你确定了与项目相关的问题……然后我们会问，我们可以使用哪些不同的方法来回答这个问题?她补充道。
其中一些问题包括投资人和研究人员如何确保他们使用了正确的终点，或者研究如何跟踪疾病进展，特别是在不同的人中可能以不同的方式出现的疾病中。在后一种情况下，研究团队可能需要处理各种数据集，包括基因组和影像数据以及医生记录，而且他们需要合适的工具来完成这项任务。
“这是一种非常宽泛的能力；并不是最复杂的算法总是能回答你的问题，而是什么才能适合你试图回答的问题。”Khan说。
但这只是问题的一部分。Flatiron Health的高级医疗总监James Hamrick表示，另一部分是如何建立和训练人工智能模型，使其有用而不会造成伤害。
赛诺菲的临床研究主管Raolat Abdoulai医学博士说:“我们正在用很多方式训练机器来模拟人类智能，即学习和推理的过程，以及自我纠正的过程。”
Abdoulai补充说:“我们需要确保我们为它提供了适当的信息和数据，以便它从过去的试验以及现实世界的数据中学习，从而做出更好、更有效和更合理的决定。”
例如，Flatiron的模型可以预测病人是否患有转移性疾病，或者在癌症治疗期间病人是否有可能被送入急诊室。
“与此同时，我们正在回顾性地对这个模型进行检查，查看不同类别的病人 - 比如性别或种族 - 我们正在积极地检查这个模型，以确保它是一致的，没有偏见的，”Hamrick说，“我的意思是，我们两个月前做出的预测 - 这两个月发生了什么?它们对不同亚群的病人是否准确?”
虽然制药公司应该确保他们的模型适用于不同的患者群体，但他们可能会使用其它人工智能工具，以确保他们在一开始就纳入了不同的患者群体，因此在推出药物时不会出现任何令人不快的意外。
“我们在一些试验中所做的是，我们知道这种疾病会影响更多样的病人，我们的临床试验参与者应该反映真实世界的设定…而不是去一个临床试验站点问，你们能不能招募许多不同的患者，你反过来，问从哪里开始进行针对不同患者的工作?”汗说。
Abdoulai说:“通过这种方式，我们消除了阻碍来自不同背景的病人被招募的偏见。”
除了改善药物开发的数据分析，人工智能工具、手机或可穿戴设备以及远程监测也可能使临床试验向居住地离试验地点较远或不愿到访试验地点的人开放，特别是在大流行期间。这些工具不仅是数字化试验的关键，也是去中心化试验的关键。
“这可以将技术带给个人，让其在其所在的地方被招募，而不需要把他们带到诊所，以非数字的方法获取数据。”IBM卫生保健和生命科学副总裁Ajay Royyuru说。
“我们有数字健康和远程获取数据的方法，这实际上不仅有利于公平，而且有利于基于人工智能的分析，以持续获取数据。当然，这正在开始发生。许多数字生物标记和数字端点正在被定义，” Royyuru补充说。
新闻来源：https://www.fiercebiotech.com