Πώς η Τεχνητή Νοημοσύνη αλλάζει τον τρόπο ανάπτυξης νέων φαρμάκων

Η τεχνητή νοημοσύνη μεταμορφώνει σταδιακά τον τρόπο με τον οποίο αναπτύσσονται και αξιολογούνται τα νέα φάρμακα. Εταιρείες του κλάδου υποστηρίζουν ότι οι εικονικές κλινικές δοκιμές μπορούν να εντοπίζουν νωρίτερα ποια πειραματικά φάρμακα έχουν αυξημένες πιθανότητες να αποτύχουν, πριν οι φαρμακευτικές επιχειρήσεις επενδύσουν τεράστια ποσά σε δοκιμές σε ανθρώπους.

Η ανάγκη για αποτελεσματικότερες μεθόδους είναι ιδιαίτερα έντονη. Παρά τις μεγάλες επενδύσεις και την πρόοδο της βιοϊατρικής, το ποσοστό επιτυχίας των υποψήφιων φαρμάκων παραμένει σε μεγάλο βαθμό αμετάβλητο εδώ και δεκαετίες. Η παγκόσμια βιοφαρμακευτική βιομηχανία δαπανά περίπου 140 δισ. δολάρια ετησίως για κλινικές δοκιμές σε ανθρώπους, όμως μόλις περίπου το 12% των υποψήφιων φαρμάκων φτάνει τελικά στην κανονιστική έγκριση.

Η τεχνητή νοημοσύνη πριν από τις κλινικές δοκιμές

Νεοφυείς επιχειρήσεις τεχνητής νοημοσύνης, όπως η BioinvestGPT, καθώς και άλλες εταιρείες του κλάδου, συνεργάζονται με φαρμακευτικές επιχειρήσεις για τη δημιουργία εικονικών κλινικών δοκιμών. Στόχος τους είναι να προβλέψουν με μεγαλύτερη ακρίβεια αν μια πειραματική θεραπεία είναι πιθανό να αποδειχθεί ασφαλής και αποτελεσματική, πριν περάσει στις παραδοσιακές και ιδιαίτερα δαπανηρές δοκιμές σε ανθρώπους.

Τα εργαλεία AI μπορούν να αναλύουν τεράστιους όγκους δεδομένων, όπως γενετικές πληροφορίες, ιατρικά ιστορικά, αποτελέσματα προηγούμενων μελετών και χαρακτηριστικά ασθενών. Με αυτόν τον τρόπο, δημιουργούν ψηφιακά μοντέλα που προσομοιώνουν τον τρόπο με τον οποίο μπορεί να αντιδράσει ο ανθρώπινος οργανισμός σε ένα συγκεκριμένο φάρμακο.

Οι υποστηρικτές αυτής της προσέγγισης εκτιμούν ότι, καθώς τα συστήματα γίνονται πιο ακριβή στον εντοπισμό κλινικών κινδύνων, θα μπορούσαν να περιορίσουν τις απρόβλεπτες αποτυχίες. Η αξία τους δεν βρίσκεται μόνο στην επιτάχυνση της διαδικασίας, αλλά και στη δυνατότητα να απορρίπτονται νωρίτερα οι θεραπείες που εμφανίζουν μικρές πιθανότητες επιτυχίας.

Από τα εργαστήρια στις εικονικές κλινικές δοκιμές

Οι παραδοσιακές κλινικές δοκιμές σε ανθρώπους ξεκινούν συνήθως με μικρές μελέτες Φάσης 1, οι οποίες επικεντρώνονται κυρίως στην ασφάλεια και στην ανεκτικότητα του φαρμάκου. Ακολουθούν οι μελέτες Φάσης 2, όπου εξετάζεται η αρχική αποτελεσματικότητα και η κατάλληλη δοσολογία, και στη συνέχεια οι μεγάλες μελέτες Φάσης 3, που απαιτούνται από τις ρυθμιστικές αρχές για την επιβεβαίωση της αποτελεσματικότητας και την καταγραφή πιθανών παρενεργειών.

Η διαδικασία αυτή μπορεί να διαρκέσει αρκετά χρόνια και να κοστίσει εκατοντάδες εκατομμύρια ή ακόμη και δισεκατομμύρια δολάρια. Αντίθετα, ορισμένες προσομοιώσεις με τη χρήση τεχνητής νοημοσύνης μπορούν να ολοκληρωθούν μέσα σε έναν μήνα ή και λιγότερο.

«Δεν θα πρέπει να αναρωτιόμαστε μόνο πώς θα διεξάγουμε τις δοκιμές γρηγορότερα. Θα πρέπει να αναρωτηθούμε πώς μπορούμε να πραγματοποιούμε λιγότερες δοκιμές που είναι πιθανό να αποτύχουν», δήλωσε ο Φρανσίσκο Μπέκα, επικεφαλής ιατρός της QuantHealth, πλατφόρμας προσομοίωσης κλινικών δοκιμών με χρήση AI, με έδρα το Τελ Αβίβ.

Οι επενδύσεις στην ανακάλυψη φαρμάκων με τη χρήση τεχνητής νοημοσύνης ανήλθαν σε 8,4 δισ. δολάρια το 2025, ποσό υπερδιπλάσιο σε σχέση με το 2023, σύμφωνα με πρόσφατη έκθεση της McKinsey. Ωστόσο, η ίδια έκθεση επισημαίνει ότι οι επενδύσεις επικεντρώνονται κυρίως σε τομείς όπου η τεχνολογία είναι ήδη πιο ώριμη, όπως ο σχεδιασμός μορίων, και λιγότερο στην απόδειξη της αποτελεσματικότητας ενός φαρμάκου μέσω μακροχρόνιων κλινικών δοκιμών.

Πέντε επιτυχημένες προβλέψεις σε έξι κλινικές δοκιμές

Οι αμερικανικές υγειονομικές ρυθμιστικές αρχές ανακοίνωσαν πρόσφατα πρωτοβουλίες με στόχο την επιτάχυνση των κλινικών δοκιμών. Εφόσον αποδώσουν, οι προσπάθειες αυτές θα μπορούσαν να διευκολύνουν την ενσωμάτωση της τεχνητής νοημοσύνης στην ανάπτυξη φαρμάκων, σύμφωνα με ομοσπονδιακό αξιωματούχο στον τομέα της υγείας.

Μέχρι σήμερα, οι προβλέψεις της QuantHealth έχουν επιβεβαιωθεί σε πέντε από τις έξι κλινικές δοκιμές που αξιολόγησε. Η πλατφόρμα χρησιμοποιεί δεδομένα αλληλούχισης DNA για να δημιουργήσει ένα μοντέλο του ανθρώπινου οργανισμού, προσαρμοσμένο στα συγκεκριμένα κριτήρια επιλεξιμότητας μιας κλινικής δοκιμής. Στη συνέχεια, πραγματοποιεί μια εικονική δοκιμή χρησιμοποιώντας ένα μοντέλο του υπό εξέταση φαρμάκου.

Η διαδικασία αυτή μπορεί να βοηθήσει τους ερευνητές να κατανοήσουν όχι μόνο αν ένα φάρμακο λειτουργεί, αλλά και γιατί λειτουργεί ή αποτυγχάνει σε συγκεκριμένες ομάδες ασθενών. «Μπορούμε να εντοπίσουμε τον λόγο για τον οποίο ένα φάρμακο είναι αποτελεσματικό και ασφαλές και, σε πολλές περιπτώσεις, γιατί δεν είναι», δήλωσε ο συνιδρυτής της BioinvestGPT, Μπράγκι Λόβετρού.

Παρά τα ενθαρρυντικά αποτελέσματα, οι προσομοιώσεις τεχνητής νοημοσύνης δεν είναι αλάνθαστες. Η ποιότητα των προβλέψεων εξαρτάται από την ποιότητα, την πληρότητα και την αντιπροσωπευτικότητα των δεδομένων που χρησιμοποιούνται. Εάν τα δεδομένα περιέχουν προκαταλήψεις ή δεν αποτυπώνουν επαρκώς την ποικιλομορφία των ασθενών, τα αποτελέσματα μπορεί να είναι παραπλανητικά.

Θα περιορίσει η τεχνητή νοημοσύνη τις δοκιμές σε ανθρώπους;

Ο Φρανσίσκο Μπέκα και άλλοι ειδικοί υποστηρίζουν ότι οι κλινικές δοκιμές σε ανθρώπους θα εξακολουθήσουν να είναι απαραίτητες. Καμία προσομοίωση δεν μπορεί ακόμη να αντικαταστήσει πλήρως την παρατήρηση ενός πραγματικού οργανισμού, ούτε να προβλέψει κάθε πιθανή παρενέργεια ή αλληλεπίδραση.

Ωστόσο, οι εικονικές δοκιμές μπορούν να προσφέρουν πολύτιμες πληροφορίες πριν από την έναρξη μιας μελέτης. Μπορούν να βοηθήσουν στον σχεδιασμό των πρωτοκόλλων, στην επιλογή των καταλληλότερων ασθενών, στον προσδιορισμό της δοσολογίας και στην έγκαιρη αναγνώριση πιθανών κινδύνων. Έτσι, η τεχνητή νοημοσύνη δεν καταργεί τις κλινικές δοκιμές, αλλά μπορεί να τις καταστήσει πιο στοχευμένες, ασφαλείς και αποτελεσματικές.

«Είναι ακόμη δεοντολογικά αποδεκτό το 2026 να υποβάλλουμε ασθενείς σε μια κλινική δοκιμή που κατά πάσα πιθανότητα θα αποτύχει;» διερωτήθηκε ο Μπέκα. «Με την πρόοδο αυτής της τεχνολογίας, το 2027, το 2028 ή το 2029, πιθανότατα η απάντηση θα είναι ότι κάτι τέτοιο δεν θα είναι πλέον αποδεκτό».

Η τεχνητή νοημοσύνη, επομένως, δεν αποτελεί μαγική λύση για όλα τα προβλήματα της φαρμακευτικής ανάπτυξης. Μπορεί όμως να αλλάξει ουσιαστικά τον τρόπο με τον οποίο λαμβάνονται οι αποφάσεις, μειώνοντας τη σπατάλη πόρων και περιορίζοντας την έκθεση ασθενών σε θεραπείες με ελάχιστες πιθανότητες επιτυχίας. Καθώς η τεχνολογία εξελίσσεται, η ανάπτυξη νέων φαρμάκων αναμένεται να γίνει πιο γρήγορη, πιο στοχευμένη και περισσότερο βασισμένη σε δεδομένα.