Sådan hjælper sundhedsteknologi med at fremme opdagelsen af ny medicin
Læs videre for at blive klogere på brugen af kunstig intelligens i opdagelsen og udviklingen af ny medicin, og hvordan det kan hjælpe med at reducere omkostningerne ved medicinudvikling og sørge for, at patienter får den livreddende behandling, de har brug for, hurtigere.
De stigende omkostninger ved opdagelse og udvikling af medicin
Den måde, som sundhedspersonale behandler patienter, er i hastig forandring. Personlig medicin bliver mere almindeligt, i takt med at forskere tackler komplekse sundhedsudfordringer, og medicinudviklere forsøger at reducere den tid, det tager at udvikle livreddende medicin.
I øjeblikket er det en ekstremt lang og dyr proces at lancere ny medicin på markedet for medicinudviklere. Ifølge Taconic Bioscience kostede det 2,8 milliarder dollars og tog over 12 år at udvikle et enkelt medikament i 2019. Og efter alt det er det alligevel 90 %, som ikke bliver FDA-godkendt.
De gode nyheder er, at kunstig intelligens har et fantastisk potentiale til at accelerere udviklingen og opdagelsen af ny medicin.
Sådan strømliner kunstig intelligens opdagelsen af ny medicin
Det første skridt i at udvikle medicin er at skabe en kemisk forbindelse, der kan binde sig til og ændre et givent molekyle – typisk et protein – som er med til at skabe en sygdom. For at finde den rigtige kemiske forbindelse skal forskere gennemse tusindvis af forskellige molekyler. Når man så har fundet det rette molekyle, gennemgår forskerne kæmpe samlinger af lignende kemiske forbindelser for at finde den optimale interaktion med sygdommens protein.
Nu tager det over et årti og flere hundrede millioner dollars at nå til dette stadie. Men medicinudviklere, der bruger kunstig intelligens og maskinel indlæring, kan strømline processen og derved reducere den tid og de penge, det kræver at få ny medicin på markedet. Disse teknologier kan f.eks.:
Finkæmme molekylesamlinger
De samlinger, man gennemser for de rette molekyler, er så store, at det næsten er umuligt for menneskelige forskere at gennemgå det hele selv. Omvendt kan kunstig intelligens hurtigt identificere potentielle kandidater i de enorme datasæt, hvilket sparer forskerne hundredvis af timer i laboratoriet.
Forudsig egenskaber ved den kemiske forbindelse
Den traditionelle metode, man bruger til opdagelse af ny medicin, består af tidskrævende trial and error. Løsninger fra firmaerne bag medicinudvikling kan i kombination med kunstig intelligens og maskinel indlæring hjælpe med at få processen til at gå hurtigere ved at forudsige de egenskaber, som den potentielle kemiske forbindelse skal have. Det betyder, at det kun er de kemiske forbindelser, der har de ønskede egenskaber, man går videre med og forsøger sig på. Derved undgår forskerne at bruge tid på at arbejde med kemiske forbindelser, der sandsynligvis ikke har de ønskede effekter.
Udvikling af nye kemiske forbindelser
Når en screening ikke giver mange lovende resultater, kan kunstig intelligens endda foreslå idéer til helt nye kemiske forbindelser, der passer til de ønskede parametre og har en højere chance for succes.
Hvordan kan kunstig intelligens hjælpe med at opdage ny medicin?
Hvordan bruger kunstig intelligens i kliniske forsøg?
Ifølge Deloitte er det kun 10 % af de medicinkandidater, der når til fasen med kliniske forsøg, som godkendes af myndighederne. Kliniske forsøg, der er den længste og dyreste fase i udviklingen af ny medicin, omfatter flere faser med mennesketests, og hver fase omfatter flere hundrede eller tusinde deltagere.
Den traditionelle lineære proces med randomiserede og kontrollerede forsøg (randomized controlled trial, RCT) har ikke ændret sig i flere årtier og mangler den fleksibilitet, hastighed og analytisk kunnen, det kræver at fremme personlig medicin. Virksomheder kæmper med at finde de rette deltagere for slet ikke at tale om rekruttering, fastholdelse og administration af dem. Ineffektiviteten ved processen er kraftigt medvirkende til de stigende omkostninger ved opdagelse og udvikling af ny medicin samt til det lave antal godkendelser.
Virksomheder, der udvikler medicin, kan bruge modeller til kunstig intelligens, som laver forudsigelser, i fasen med kliniske forsøg ved udvikling af medicin – lige fra design til dataanalyse. Dette hjælper med at:
- Identificere passende patienter ved at gennemtrawle offentligt tilgængeligt indhold.
- Vurdere forsøgsstedets performance i realtid.
- Automatisere datadeling på tværs af platforme.
- Tilvejebringe data til endelige rapporter.
Ved at kombinere algoritmer med effektiv teknologisk infrastruktur sikrer man, at den konstante strøm af kliniske data bliver renset, samlet, gemt og administreret effektivt. Derfor kan forskere bedre forstå sikkerheden ved og effektiviteten af medikamentet uden at skulle lave manuelle korrelationer og analysere de enorme datasæt fra forsøgene.
Udfordringer ved ibrugtagning af kunstig intelligens i forbindelse mellem opdagelse og udvikling af medicin
Selvom brugen af kunstig intelligens er ved at blive mere udbredt i processen til opdagelse af ny medicin, er der stadig visse barrierer for ibrugtagningen.
Datakvalitet
En af de udfordringer, man tit hører på tværs er brancher, er, at dårlige data hurtigt kan minimere det gavnlige ved kunstig intelligens og maskinel indlæring. For medicinforskere gør data af lav kvalitet sundhedsteknologi upålideligt og i sidste ende ikke mere nøjagtigt, nyttigt eller tidsbesparende end traditionelle metoder.
Fagre nye verden
Det er en misforståelse, at teknologi i de fleste brancher vil overtage arbejdsmarkedet. Medicinbranchen er ingen undtagelse. Og selvom det er rigtigt, at kunstig intelligens kan analysere store datasæt hurtigere, er det ikke en erstatning for menneskelige forskere og klinikere.
Mangel på færdigheder
Det kræver nogle helt særlige færdigheder at implementere sundhedsteknologi i processen til opdagelse af ny medicin. For at holde dataene rene og den kunstige intelligens effektiv har virksomheder behov for medarbejdere, der både har de tekniske færdigheder og den rette videnskabelige forståelse af processen, dvs. viden inden for medicinudvikling, biologi og kemi. Virksomhederne har svært ved at finde nok kandidater med en sådan profil.
Fremtiden for kunstig intelligens i medicinudvikling
Kunstig intelligens hjælper forskere med at innovere, klinikere med at leve op til den personlige medicins krav og virksomheder med at få revolutionære medikamenter på markedet. Hvert år indgås der stadig flere samarbejder mellem virksomheder, der udvikler medicin, og techvirksomheder, og der laves kæmpe investeringer i startups inden for sundhedsteknologi og kunstig intelligens.
Vi oplever endda deling af data mellem store virksomheder, der udvikler medicin. The Machine Learning Ledger Orchestration for Drug Discovery, forkortet MELLODDY, er et konsortium, der faciliterer datadeling mellem dets mange medlemmer. MELLODDY bruger et blokkædebaseret system, der gør det muligt for virksomheder at dele data, de ejer, og samtidig holde dem fortrolige. Forskere kan bruge eksisterende data til at komme hurtigt fra start i deres forsøg på at finde ny medicin og reducere processen med flere år.
Få fart i forskning og udvikling
Følg os