De kracht van Artificial Intelligence bespaart medicijnontwikkelaars decennia aan werk
831 keer
19 augustus 2022
3 minuten
Hoewel 90% van de klinische studies naar nieuwe medicijnen mislukt, is de data die uit deze studies voortkomt wel nuttig. Het biedt uitkomst in de ontwikkeling van andere medicijnen. Wellicht is een afgekeurd medicijn wél geschikt voor een andere behandeling, of kan het worden gebruikt om het effect van een ander medicijn te versterken. Het probleem: er is talloze wetenschappelijke data. Daar doorheen spitten om relevante gegevens te ontdekken is arbeidsintensief. In deze blog leggen we uit hoe Artificial Intelligence (AI) uitkomst biedt.
Het is in medicijnontwikkeling natuurlijk niet nieuw om bestaande medische literatuur te doorzoeken om nuttige verbanden te leggen. De uitdaging is dat het ontzettend veel tijd kost. Het kan jaren, zo niet decennia, duren om alle relevante documenten te doorzoeken. Dat is een van de redenen waarom het traditionele proces van medicijnontwikkeling zoveel tijd in beslag neemt.
Natural Language Understanding (NLU) biedt dan uitkomst. Medisch data analytics-bedrijf Keystonemab gebruikt het AI-platform van IBM om inzichten uit miljoenen wetenschappelijke artikelen te halen. De kennis en expertise van wetenschappers staat aan de basis van de AI: zij trainden het model enerzijds met een selectie van wetenschappelijke documenten. Daarnaast stellen ze de voorwaarden in waarop het model data moet selecteren.
AI selecteert niet alleen relevante data, maar maakt ook nuttige analyses
Het kostte Keystonemab anderhalf jaar om het model te trainen. Nu is het platform voorzien van miljoenen wetenschappelijke artikelen, waaruit automatisch relevante data wordt gehaald. Zoekt een wetenschapper bijvoorbeeld data over het effect van een bepaalde molecule op een biomarker (het onderdeel van het lichaam dat wordt beïnvloed), dan kan de AI alle gegevens selecteren die daar verband mee houden. Het is aan de wetenschappers om de informatie te analyseren die het AI-model ze voorschotelt en te bepalen of het bruikbaar is.
Ook in deze analyse-fase kan een dataplatform echter een belangrijke rol spelen. Keystonemab zet AI namelijk ook in om veelbelovende medicijncombinaties weer te geven. Zo kan het effect van een bestaand medicijn misschien worden versterkt door het te combineren met een ander medicijn, of blijkt een mislukt medicijn wellicht toepasbaar voor een andere behandeling.
Dat werkt als volgt: als het dataplatform van Keystonemab alle relevante data heeft geselecteerd voor een bepaalde medicijnstudie, dan geeft het automatisch de veelbelovende connecties weer. Het platform kan daarnaast ook de waarde van deze connecties inschatten. Zo is gemakkelijk een prioritering te maken van geschikte combinaties. Daaruit volgt uiteindelijk een analyse: gebaseerd op de scope van het onderzoek, met aanbevelingen.
Het grote voordeel van deze benadering is dat het veel onderzoek tijd bespaart, waardoor eerder begonnen kan worden met de klinische studie. Als die klinische studie al in een eerder stadium is uitgevoerd (omdat de medicijncombinatie is gebaseerd op bestaande behandelingen), kan de productie meteen worden gestart. Dat levert kostenvoordelen op én medicijnen zijn sneller beschikbaar.
