Innovationen der Künstlichen Intelligenz und des maschinellen Lernens zur Verbesserung des Designs und der Repräsentativität in onkologischen klinischen Studien

Die Integration von Künstlicher Intelligenz (KI) und maschinellem Lernen (ML) in onkologischen klinischen Studien entwickelt sich schnell weiter, parallel zu dem breiteren Feld. KI-gestützte adaptive Studiendesigns könnten beispielsweise Echtzeitmodifikationen basierend auf neu auftretenden Sicherheits- und Wirksamkeitssignalen ermöglichen, was reaktionsschnellere und effizientere Studien zulässt. KI-gestützte Diagnosetools, einschließlich Radiomics, computergestützter Pathologie und räumlicher Omik, können die Auswahl der Studienpatienten und die Beurteilung der Reaktionen verbessern. ML-basierte Simulationen von Patientenergebnissen können ebenfalls Strategien zur Patientenschichtung und statistische Power verbessern. Der Einsatz von KI kann auch die Zugänglichkeit von Daten aus der realen Welt verbessern, einschließlich Möglichkeiten zur Verbesserung der Datenextraktion, Standardisierung und Harmonisierung von Daten aus der routinemäßigen klinischen Praxis. Daten, die durch digitale Gesundheitstechnologien (z. B. tragbare Geräte, elektronische Sensoren, Computerplattformen, Softwareanwendungen) generiert werden, können ein umfassenderes Verständnis von Patientenkategorien ermöglichen, um klinische Studien von der Einschreibung bis zur Bewertung zu unterstützen. Die Automatisierung von Studienoperationen und Datenmanagement kann ebenfalls die Datenintegrität verbessern und die Belastung für die Prüfer verringern, was das Potenzial hat, die Durchführung von Studien zu optimieren und die potenzielle Nutzung der Dezentralisierung zu erhöhen. Es gibt laufende Bemühungen, die rechtliche Klarheit zu erhöhen, Verzerrungen zu verringern und den ethischen Einsatz dieser neuartigen Technologien aufrechtzuerhalten. In diesem Artikel überprüfen wir Anwendungsfälle von KI und ML in onkologischen klinischen Studien, einschließlich ihrer Rolle bei der Rekrutierung von Patienten, dem Studiendesign und den -operationen, dem Datenmanagement und der Diagnostik. Obwohl diese Technologien Anwendungen in allen Phasen der Arzneimittelentwicklung, einschließlich der frühen Entdeckung, haben können, konzentrieren wir uns auf die Phasen-II- und III-Studien, in denen KI und ML eine ausgeprägte Fähigkeit zur Verbesserung der Studieneffizienz, der Patientenschichtung und der regulatorischen Entscheidungsfindung haben können. Durch die Integration von KI und ML können klinische Studien anpassungsfähiger, datengestützter und inklusiver werden, um die Ergebnisse für die Patienten zu verbessern.