Увеличение мощности мозга: реальные данные, передовая аналитика и будущее клинических испытаний

На сегодняшнем ультраконкурентном мировом рынке компании Life Sciences постоянно ищут способы повысить эффективность и эффективность исследования. Все чаще реальные данные (RWD) становятся источником и фокусом этих усилий.

Благодаря расширенным облачным технологиям, позволяющим сбору, хранению и анализу петабайт информации, обширная сфера RWD теперь открыта для добычи. Правильно обрабатывая, RWD проливает новый свет и рисует гораздо более полным портретом опыта пациента, от нюансов о том, как прописывается лечение, и пациенты реагируют, до долгосрочной эффективности и побочных эффектов.

Доказательства, собранные из этих данных, могут помочь в создании клинических испытаний, а также информировать текущие исследования. Однако понимание преимуществ RWD не так просто, что выровняет массив вычислительной мощности.

В то время как применение технологии искусственного интеллекта (ИИ) имеет решающее значение для курирования значимой информации из огромных объемов разрозненных данных, это лишь часть тщательно организованных усилий, зависящих от человеческого интеллекта, и сотрудничества врачей, специфических для болезни, медсестер, ученых данных и технологов.

Сделано правильно, эти усилия могут привести к глубоким преимуществам и предложить многообещающее будущее для клинических исследований и ухода за пациентами.

Стратегический подход

В цифровых записях посещений врачей, результатов лаборатории и истории лечения лежат огромное количество информации. В связи с тем, что RWD – информация о здоровье, собранная за пределами традиционных клинических исследований, может дать богатый взгляд на то, как пациенты испытывают заболевания, реагировать на лечение и взаимодействовать с системой здравоохранения в повседневной жизни.

Большая часть этой информации, например, примечания и образы клинициста в электронных медицинских картах (EHRS), неразделита, что означает, что данные не в согласованном формате, который поддается готовому анализу.

AI-Techniques, в частности, машинное обучение (ML) и обработка естественного языка (NLP), могут быть изменяют игру для курирования обширных лопат неразрушенных данных и поиска ранее скрытых отношений и моделей.

Но получение значимой информации основано на обоснованности основных данных. Ключом к успешному искусственному управлению AI Curation является использование процесса, который обеспечивает качественные данные.

Это требует продуманно выполненного подхода с постоянным рассмотрением и надзором со стороны квалифицированных команд и клиницистов. Очень важно разработать надежные модели ML, с валидацией выходов ИИ, под руководством клиницистов, различными учебными данными и наборами данных проверки, а также непрерывной уточнением модели для предотвращения смещения.

В таком роде сложных, многогранных усилий используются технологии ИИ для поддержки изученного опыта человеческих специалистов. Таким образом, Advanced Analytics обладает способностью предоставить преобразующие реальные доказательства (RWE)-продукт проанализированного RWD-для продвижения конструкции и выполнения клинических испытаний.

Ценность RWD

RWD стал важным в борьбе за снижение затрат и сложности исследований и имеет ключевое значение для модернизации клинических испытаний с помощью подхода к принятию решений.

Высококачественные, специфичные для заболевания, курируемые наборы данных, полученные из ряда медицинских учреждений, обеспечивает пул пациентов, который лучше отражает реальный мир. Это позволяет исследователям понимать разнообразные группы пациентов таким образом, чтобы удалить предыдущие пробелы в знаниях.

Компании Life Sciences используют RWD и данные, полученные из него для широкого спектра целей, включая ретроспективные и проспективные исследования, сравнительные исследования эффективности (CER), исследования экономики здравоохранения и результатов (HEOR), а также исследования и целевые исследования рынка (т.е. коммерциализация).

Между тем, растущее принятие понимания неструктурированного RWD в клинических исследованиях подтверждается Руководство FDA и растущий диапазон вариантов использования.

Улучшение клинических испытаний

Традиционные клинические испытания часто зависят от относительно простых критериев включения/исключения. RWD обеспечивает гораздо более нюансированный подход.

RWD может использоваться для оценки критериев права на пробную версию, набора потенциальных участников исследований и оптимизации найма. Исследователи могут определить пациентов на основе вариаций заболевания, предыдущих неудач лечения, сопутствующих состояний (наличие множественных заболеваний) или даже конкретных лабораторных значений и результатов теста.

Такая точность повышает эффективность, приводит к более коротким срокам и улучшает доступ пациента к исследованиям.

Испытания, основанные на данных, информированные RWD, начинаются с более сильной основы, что потенциально избегает несоответствующих зачислений, неожиданных побочных эффектов и дорогостоящих задержек, которые ощущают традиционные испытания.

Продолжающиеся исследования и уход

RWD обеспечивает продольный взгляд на заболевания, которые развиваются в течение многих лет или десятилетия. Анализ долгосрочных схем в том, как пациенты реагируют на лечение или как изменения их здоровья со временем могут формировать испытания, которые лучше соответствуют фактической траектории хронических заболеваний.

RWD также освещает пробелы в текущих вариантах лечения. Например, если пациенты с реальным миром часто переключают терапию или испытывают общие побочные эффекты, это предполагает, что необходимы лучшие варианты лечения. В тех случаях, когда клинические испытания обладают ограниченной способностью обнаруживать редкие побочные эффекты, крупномасштабные RWD могут выявлять закономерности, которые могут появляться медленно или только влиять на небольшой процент пациентов. Упорно мониторинг RWD допускает выявление потенциальных проблем на раннем этапе и изменяет текущие испытания для изучения проблем безопасности.

Для страховщиков здравоохранения RWE может предоставить средства оценки поддержки использования пациентов и расходов на возмещение.

По всем направлениям AI, управляемое AI Curation RWD, делает возможные новые идеи, которые оказывают значительное влияние на модернизацию клинических испытаний и уход за пациентами.

Вооруженные RWE, спонсоры имеют убедительные и дополнительные данные для увеличения рандомизированных клинических испытаний, что позволяет им ускорить разработку инновационных подходов к лечению, включая обнаружение новых показаний для одобренных методов лечения.

Фото: Metamorworks, Getty Images

Этот пост появляется через Medicity влиятельные лица программа Любой может опубликовать свой взгляд на бизнес и инновации в области здравоохранения в Medicity News через Medicity влиятельные лица. Нажмите здесь, чтобы узнать, какПолем