Cách công nghệ y tế giúp đẩy nhanh quá trình khám phá thuốc
Hãy đọc tiếp để tìm hiểu thêm về trí tuệ nhân tạo trong hoạt động khám phá và phát triển thuốc, cũng như cách trí tuệ nhân tạo giúp cắt giảm chi phí phát triển thuốc và các phương pháp điều trị giúp cứu sống bệnh nhân nhanh hơn.
Tăng chi phí khám phá và phát triển thuốc
Cách các chuyên gia chăm sóc sức khỏe điều trị cho bệnh nhân đang thay đổi nhanh chóng. Y học chính xác đang trở nên phổ biến hơn khi các nhà nghiên cứu giải quyết các vấn đề phức tạp về sức khỏe và ngành dược cố gắng cắt giảm thời gian cần thiết để phát triển thuốc cứu người.
Hiện tại, quá trình đưa thuốc mới ra thị trường thường cực kỳ lâu dài và tốn kém đối với các công ty dược. Theo Taconic Bioscience, để phát triển một loại thuốc, cần đến khoảng 2,8 tỷ USD và thời gian hơn 12 năm vào năm 2019. Sau cùng, có 90% đối tượng dự tuyển không đạt được sự chấp thuận của FDA.
Tin tốt là trí tuệ nhân tạo (AI) có tiềm năng đáng kinh ngạc trong việc thúc đẩy quá trình khám phá và phát triển thuốc.
Cách AI hợp lý hóa quy trình khám phá thuốc
Bước đầu tiên trong việc tạo ra hầu hết các loại thuốc là tổng hợp một hợp chất có thể liên kết với và điều chỉnh phân tử đích (thường là một chất protein) có liên quan đến bệnh. Để tìm được hợp chất phù hợp, các nhà nghiên cứu sẽ xem xét hàng nghìn đối tượng dự tuyển tiềm năng. Sau khi xác định được mục tiêu, các nhà nghiên cứu sẽ sàng lọc thư viện khổng lồ về các hợp chất tương tự để tìm ra phản ứng tương tác tối ưu với protein của bệnh.
Giờ đây, mất hơn một thập kỷ và hàng trăm triệu đô la để đưa thuốc ra thị trường. Nhưng công nghệ y tế sử dụng trí tuệ nhân tạo và máy học (ML) có thể hợp lý hóa quy trình, cắt giảm thời gian và tiền bạc để phát hành các loại thuốc mới. Chẳng hạn, các công nghệ này có thể:
Tra cứu thư viện phân tử
Số thư viện được sàng lọc để tìm phân tử dự tuyển rất lớn nên các nhà nghiên cứu về con người gần như không thể tự xem xét tất cả mọi thứ. Tuy nhiên, AI có thể nhanh chóng xác định các hợp chất mục tiêu tiềm năng trong bộ dữ liệu lớn, giúp tiết kiệm hàng trăm giờ trong phòng thí nghiệm cho các nhà nghiên cứu.
Dự đoán thuộc tính hợp chất
Quy trình khám phá thuốc truyền thống bao gồm hoạt động dùng thử và lỗi tiêu tốn thời gian. Các giải pháp công nghệ y tế kết hợp với AI và ML có thể giúp tăng tốc quá trình này bằng cách dự đoán thuộc tính của các hợp chất tiềm năng, đảm bảo rằng chỉ những hợp chất với thành phần mong muốn mới được chọn cho tổng hợp. Việc này giúp các nhà nghiên cứu tránh phải làm việc với các hợp chất ít có khả năng hiệu quả.
Phát minh ra các hợp chất mới
Khi hoạt động sàng lọc cho ra một vài kết quả khả quan, AI thậm chí có thể suy tính về các hợp chất hoàn toàn mới phù hợp với tham số mong muốn và có khả năng thành công cao hơn.
AI có thể hỗ trợ việc khám phá thuốc mới bằng cách nào?
AI được sử dụng như thế nào trong các thử nghiệm lâm sàng?
Theo Deloitte, chỉ 10% thuốc dự tuyển bước vào giai đoạn thử nghiệm lâm sàng được các cơ quan quản lý chấp thuận. Thử nghiệm lâm sàng là giai đoạn dài và tốn kém nhất trong quá trình chế tạo thuốc, bao gồm nhiều giai đoạn thử nghiệm trên người và mỗi giai đoạn có hàng trăm hoặc hàng ngàn người tham gia.
Quy trình tuyến tính truyền thống của các thử nghiệm ngẫu nhiên có đối chứng (RCT) không thay đổi trong nhiều thập kỷ và thiếu sự linh hoạt, tốc độ cũng như khả năng phân tích cần thiết để mô hình y học chính xác phát triển. Các công ty rất vất vả để tìm được người dự phù hợp, không nói đến việc tuyển dụng, duy trì và quản lý họ một cách hiệu quả. Sự kém hiệu quả của quy trình này là nguyên nhân lớn dẫn đến việc tăng chi phí khám phá và phát triển thuốc, cũng như tỷ lệ phê duyệt thấp.
Các công ty dược có thể vận dụng mô hình AI dự đoán trong suốt giai đoạn thử nghiệm lâm sàng phát triển thuốc, từ thiết kế đến phân tích dữ liệu, hỗ trợ:
- Xác định bệnh nhân phù hợp bằng cách khai thác nội dung có sẵn công khai.
- Đánh giá hiệu suất site dùng thử trong thời gian thực.
- Tự động hóa việc chia sẻ dữ liệu trên nhiều nền tảng.
- Cung cấp dữ liệu cho báo cáo cuối cùng.
Việc kết hợp các thuật toán với hạ tầng kỹ thuật hiệu quả giúp đảm bảo rằng luồng dữ liệu lâm sàng liên tục được dọn dẹp, tổng hợp, lưu trữ và quản lý một cách hiệu quả. Do đó, các nhà nghiên cứu có thể hiểu rõ hơn về độ an toàn và tính hiệu quả của thuốc mà không cần phải đối chiếu thủ công và phân tích tập dữ liệu lớn được tạo ra từ các thử nghiệm.
Các rào cản đối với việc tiếp nhận AI trong hoạt động khám phá và phát triển thuốc
Mặc dù việc sử dụng AI ngày càng trở nên phổ biến hơn trong quy trình khám phá thuốc nhưng vẫn có các rào cản đối với việc tiếp nhận.
Chất lượng dữ liệu
Thử thách xuất hiện thường xuyên trong nhiều ngành là dữ liệu kém có thể làm giảm đáng kể tính hữu hiệu của trí tuệ nhân tạo và máy học. Đối với các nhà nghiên cứu thuốc, dữ liệu chất lượng thấp sẽ khiến công nghệ y tế trở nên không đáng tin cậy và cuối cùng, không còn chính xác, hữu ích hay tiết kiệm thời gian hơn các phương pháp truyền thống.
Sự e ngại
Có một quan điểm sai lầm xuất hiện ở hầu hết các ngành rằng cuối cùng công nghệ sẽ hoàn toàn thay thế nhân viên. Ngành dược phẩm cũng không ngoại lệ. Và mặc dù trí tuệ nhân tạo thực sự có thể phân tích các tập dữ liệu lớn nhanh hơn nhưng trí trí tuệ nhân tạo sẽ không thay thế cho các nhà nghiên cứu và chuyên gia lâm sàng có tay nghề.
Thiếu kỹ năng
Việc triển khai công nghệ y tế trong quá trình khám phá thuốc đòi hỏi phải có một nhóm kỹ năng thích hợp. Để duy trì dữ liệu gọn gàng và AI hoạt động hiệu quả, các công ty cần nhân viên không chỉ có kỹ năng kỹ thuật mà còn phải hiểu rõ khía cạnh khoa học của quy trình, chẳng hạn như thiết kế thuốc, sinh học và hóa học. Đó là một yêu cầu cao mà các công ty thường gặp khó khăn trong việc thực hiện.
Tương lai của AI trong phát triển thuốc dược phẩm
AI giúp các nhà nghiên cứu đổi mới, các chuyên viên lâm sàng đáp ứng được nhu cầu thuốc chính xác và giúp các công ty đưa thuốc thay đổi cuộc sống ra thị trường. Mỗi năm lại có thêm nhiều mối quan hệ đối tác hơn giữa các công ty dược phẩm và công nghệ cũng như các khoản đầu tư lớn vào các công ty khởi nghiệp công nghệ y tế và AI.
Chúng tôi thậm chí còn thấy các công ty lớn chia sẻ dữ liệu với nhau. Điều phối sổ cái máy học cho khám phá thuốc, hay MELLODDY, là một liên doanh giúp tạo điều kiện chia sẻ dữ liệu giữa nhiều thành viên. MELLODDY sử dụng hệ thống dựa trên chuỗi khối cho phép các công ty chia sẻ dữ liệu độc quyền trong khi vẫn duy trì tính bảo mật. Các nhà nghiên cứu có thể sử dụng dữ liệu hiện có để bắt đầu quy trình khám phá thuốc của họ và bớt đi được nhiều năm phát triển.
Tăng tốc quá trình nghiên cứu và phát triển của bạn
Theo dõi chúng tôi