So beschleunigt Medizintechnik die Arzneimittelforschung
Lesen Sie weiter, um mehr über künstliche Intelligenz in der Arzneimittelforschung und -entwicklung zu erfahren. Wir zeigen auf, wie KI dazu beiträgt, die Kosten der Arzneimittelentwicklung zu senken und Patienten lebensrettende Behandlungen zügig bereitzustellen.
Steigende Kosten in der Arzneimittelforschung und -entwicklung
Die Art und Weise, wie Beschäftigte in Gesundheitsberufen Patienten versorgen, verändert sich rasant. Präzisionsmedizin wird immer häufiger eingesetzt, da die Forschung sich mit komplexen Gesundheitsproblemen befasst und die Pharmaindustrie bestrebt ist, lebensrettende Medikamente in kürzerer Zeit zu entwickeln.
Die Markteinführung eines neuen Medikaments ist für Pharmaunternehmen derzeit ein extrem langwieriger und teurer Prozess. Nach Angaben von Taconic Biosciencekostete die Entwicklung eines einzigen Medikaments im Jahr 2019 rund 2,8 Mrd. US-Dollar und dauerte mehr als 12 Jahre. Trotz allem erhalten 90 Prozent der Produktkandidaten keine FDA-Zulassung.
Die gute Nachricht: Künstliche Intelligenz (KI) hat ein großes Potenzial, den Prozess der Arzneimittelforschung und -entwicklung zu beschleunigen.
So beschleunigt KI die Arzneimittelforschung
Der erste Schritt bei der Entwicklung der meisten Arzneimittel ist die Synthese einer Verbindung, die an ein Zielmolekül gebunden ist und dieses modulieren kann. Meist handelt es sich um ein Protein, das Einfluss auf eine Erkrankung hat. Um die richtige Verbindung zu finden, prüfen Forschungsteams Tausende potenzieller Kandidaten. Sobald ein Zielmolekül identifiziert wurde, durchsuchen die Forscher riesige Bibliotheken ähnlicher Verbindungen, um die optimale Interaktion mit dem krankheitsrelevanten Protein zu finden.
Um an diesen Punkt zu gelangen, sind derzeit mehr als zehn Jahre und Hunderte Millionen US-Dollar erforderlich. Aber Medizintechnik auf der Basis künstlicher Intelligenz und Machine Learning (ML) kann den Prozess beschleunigen sowie den Zeit- und Kostenaufwand senken, den die Pharmaindustrie zur Entwicklung neuer Medikamente aufbringen muss. Die Vorteile dieser Technologien:
Molekülbibliotheken durchsuchen
Die Bibliotheken, die nach Molekülkandidaten durchsucht werden, sind so umfangreich, dass sie von Forscherteams kaum überprüft werden können. Dagegen kann KI potenzielle Zielverbindungen in großen Datensätzen schnell identifizieren und Hunderte von Laborarbeitsstunden einsparen.
Eigenschaften von Verbindungen voraussagen
Der herkömmliche Prozess der Arzneimittelforschung ist mit einem zeitaufwändigen Trial-and-Error-Verfahren verbunden. Medizintechniklösungen in Kombination mit KI und ML können diesen Prozess beschleunigen, indem sie die Eigenschaften potenzieller Verbindungen vorhersagen und sicherstellen, dass nur diejenigen mit der gewünschten Zusammensetzung für die Synthese ausgewählt werden. Dadurch entfällt die Erforschung von Verbindungen, deren Wirksamkeit unwahrscheinlich ist.
Neue Verbindungen entwickeln
Wenn das Screening nur wenige vielversprechende Ergebnisse liefert, kann die KI sogar vollständig neue Verbindungen vorschlagen, die den gewünschten Parametern entsprechen und eine höhere Erfolgschance bieten.
Wie unterstützt KI die Erforschung neuer Arzneimittel?
Wie wird KI in klinischen Studien eingesetzt?
Nach Aussage von Deloitte werden nur 10 Prozent der Arzneimittelkandidaten, die die Phase der klinischen Prüfung erreichen, von den Zulassungsbehörden genehmigt. Klinische Studien sind die längste und teuerste Phase bei der Arzneimittelherstellung. Sie umfassen mehrere Phasen der Erprobung am Menschen, wobei jede einzelne Hunderte oder Tausende von Probanden umfasst.
Der traditionelle lineare Prozess randomisierter Kontrollstudien (Randomized Controlles Trials, RCTs) hat sich seit Jahrzehnten nicht verändert. Deshalb mangelt es an Flexibilität, Schnelligkeit und Analysefähigkeit, die für den Erfolg eines Präzisionsmedizinmodells unverzichtbar sind. Unternehmen haben es schwer, die richtigen Probanden zu finden – ganz zu schweigen von deren Anwerbung, Bindung und effektiven Verwaltung. Dieser ineffiziente Prozess trägt wesentlich zu den steigenden Kosten bei der Arzneimittelforschung und -entwicklung sowie zu niedrigen Zulassungszahlen bei.
Pharmaunternehmen können prädiktive KI-Modelle während der gesamten klinischen Studienphase für die Arzneimittelentwicklung einsetzen. KI unterstützt vom Konzept bis zur Datenanalyse folgende Aufgaben:
- Identifizieren geeigneter Patienten durch Auswertung öffentlich zugänglicher Inhalte
- Bewerten der Leistung des Prüflabors in Echtzeit
- Plattformübergreifende Automatisierung der Datenfreigabe
- Bereitstellen von Daten für den Abschlussbericht
Die Kopplung von Algorithmen mit einer effektiven technischen Infrastruktur stellt sicher, dass der ständige Nachschub klinischer Daten bereinigt, aggregiert, gespeichert und effektiv verwaltet wird. Auf diese Weise können Forschungsteams die Sicherheit und Wirksamkeit des Medikaments besser einschätzen, ohne große Datasets aus dem Studienverlauf manuell sortieren und analysieren zu müssen.
Hürden für den Einsatz von KI in der Arzneimittelforschung und -entwicklung
Obwohl der Einsatz von KI in der Arzneimittelforschung zunimmt, gibt es weiterhin Hürden bei der Einführung.
Datenqualität
Viele Branchen stehen vor der Herausforderung, dass unzureichende Daten die Nützlichkeit von künstlicher Intelligenz und Machine Learning schnell schmälern können. In der Arzneimittelforschung führen minderwertige Daten dazu, dass die Medizintechnik unzuverlässig ist. Somit schneidet sie in Sachen Präzision, Zielorientierung oder Zeitersparnis nicht besser ab als herkömmliche Methoden.
Stimmung in der Branche
In den meisten Branchen hält sich der Mythos, dass Technologie menschliche Arbeitskraft irgendwann vollständig ersetzen wird. Die Pharmaindustrie bildet hier keine Ausnahme. Es stimmt zwar, dass KI große Datasets schneller analysieren kann, aber sie ist kein Ersatz für qualifiziertes menschliches Forschungs- und Klinikpersonal.
Fachkräftemangel
Die Implementierung von Medizintechnik in den Prozess der Arzneimittelentwicklung erfordert eine Reihe von Nischenkompetenzen. Um einwandfreie Daten und effiziente KI zu erhalten, benötigen Unternehmen Fachkräfte, die neben technischen Kenntnissen auch wissenschaftliches Verständnis für den Prozess mitbringen, z. B. in den Bereichen Arzneimittelentwicklung, Biologie und Chemie. Die ist eine große Herausforderung, die Unternehmen nur schwer erfüllen können.
Die Zukunft von KI in der Arzneimittelentwicklung
Von KI profitieren alle: Forschungsteams entwickeln innovative Produkte, Klinikpersonal erfüllt die Anforderungen der Präzisionsmedizin und Unternehmen bringen lebensverändernde Medikamente auf den Markt. Jedes Jahr gibt es neue Partnerschaften zwischen Pharma- und Technologieunternehmen sowie große Investitionen in Medizintechnik- und KI-Start-ups.
Wir beobachten sogar einen Datenaustausch zwischen großen Pharmakonzernen. MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) ist ein Konsortium, das den Datenaustausch zwischen seinen zahlreichen Mitgliedern erleichtert. Dabei kommt ein Blockchain-basiertes System zum Einsatz, das es Unternehmen ermöglicht, geschützte Daten unter Wahrung der Vertraulichkeit auszutauschen. Die Forschung kann vorhandene Daten nutzen, um den Prozess der Arzneimittelforschung zu beschleunigen und die Entwicklungszeit um Jahre zu verkürzen.
Forschung und Entwicklung beschleunigen
Folgen Sie uns