Εταιρείες Τεχνητής Νοημοσύνης επιχειρούν να αλλάξουν τον τρόπο με τον οποίο αναπτύσσονται νέα φάρμακα, πραγματοποιώντας εικονικές κλινικές δοκιμές πριν αυτά χορηγηθούν σε πραγματικούς ασθενείς. Στόχος δεν είναι η αντικατάσταση των ανθρώπινων κλινικών μελετών, αλλά ο έγκαιρος εντοπισμός φαρμάκων που έχουν αυξημένες πιθανότητες να αποτύχουν, περιορίζοντας το τεράστιο οικονομικό κόστος και την έκθεση ασθενών σε αναποτελεσματικές θεραπείες.
Χαρακτηριστική είναι η περίπτωση του πειραματικού φαρμάκου del-desiran της Novartis, το οποίο αναπτύσσεται για μια σπάνια μορφή μυϊκής δυστροφίας.
Η ελβετική φαρμακοβιομηχανία είχε μεγάλες προσδοκίες για το συγκεκριμένο φάρμακο, με τον διευθύνοντα σύμβουλό της να έχει προβλέψει ετήσιες πωλήσεις έως και 5 δισ. δολαρίων στο αποκορύφωμά τους.
Ωστόσο, τον περασμένο μήνα μια προχωρημένου σταδίου κλινική δοκιμή απέτυχε να πετύχει τον στόχο της. Η μετοχή της Novartis υποχώρησε κατά 11%, εξανεμίζοντας περίπου 30 δισ. δολάρια χρηματιστηριακής αξίας.
Για την εταιρεία Τεχνητής Νοημοσύνης BioinvestGPT, το αποτέλεσμα δεν αποτέλεσε έκπληξη.
Η Τεχνητή Νοημοσύνη είχε προβλέψει την αποτυχία
Σύμφωνα με το Reuters, ήδη από τον Ιούλιο η BioinvestGPT είχε πραγματοποιήσει μια προσομοιωμένη κλινική δοκιμή, εξετάζοντας πώς θα ανταποκρίνονταν εικονικοί ασθενείς στο del-desiran.
Το μοντέλο προέβλεψε ότι το φάρμακο θα προσέφερε κλινικό όφελος χωρίς στατιστική σημασία, πριν γίνουν γνωστά τα πραγματικά αποτελέσματα της μελέτης.
Η BioinvestGPT και άλλες εταιρείες του κλάδου υποστηρίζουν ότι συνεργάζονται με φαρμακοβιομηχανίες για τη χρήση τέτοιων προσομοιώσεων, με στόχο να αυξηθούν οι πιθανότητες ένα πειραματικό φάρμακο να αποδειχθεί ασφαλές και αποτελεσματικό όταν τελικά δοκιμαστεί σε πραγματικούς ασθενείς.
140 δισ. δολάρια τον χρόνο σε κλινικές δοκιμές
Το οικονομικό διακύβευμα είναι τεράστιο. Η παγκόσμια βιοφαρμακευτική βιομηχανία δαπανά περίπου 140 δισ. δολάρια ετησίως για κλινικές δοκιμές σε ανθρώπους, όμως μόλις περίπου το 12% των υποψήφιων φαρμάκων καταφέρνει τελικά να λάβει έγκριση από τις ρυθμιστικές αρχές. Το ποσοστό αυτό έχει παραμείνει ουσιαστικά στάσιμο εδώ και δεκαετίες.
Οι εταιρείες Τεχνητής Νοημοσύνης υποστηρίζουν ότι οι προσομοιώσεις μπορούν να βοηθήσουν τις φαρμακοβιομηχανίες να αποφασίσουν ποια ερευνητικά προγράμματα αξίζει να συνεχιστούν και ποια είναι πιθανό να οδηγηθούν σε ακριβές αποτυχίες.
Οι κλασικές κλινικές δοκιμές χρειάζονται χρόνια. Ξεκινούν από μικρές μελέτες Φάσης 1 για την ασφάλεια, συνεχίζονται με τις μελέτες Φάσης 2 και καταλήγουν στις μεγάλες μελέτες Φάσης 3, όπου εξετάζεται και η αποτελεσματικότητα του φαρμάκου.
Ορισμένες προσομοιώσεις Τεχνητής Νοημοσύνης, αντίθετα, μπορούν να ολοκληρωθούν μέσα σε έναν μήνα ή και λιγότερο.
«Δεν πρέπει να αναρωτιόμαστε μόνο πώς θα πραγματοποιούμε τις κλινικές δοκιμές γρηγορότερα. Πρέπει να αναρωτηθούμε πώς θα κάνουμε λιγότερες δοκιμές που πρόκειται να αποτύχουν», δήλωσε ο Φρανσίσκο Μπέκα, επικεφαλής ιατρικός σύμβουλος της QuantHealth, πλατφόρμας προσομοίωσης κλινικών δοκιμών με έδρα το Τελ Αβίβ.
Εκτοξεύονται οι επενδύσεις
Οι επενδύσεις στην αξιοποίηση της Τεχνητής Νοημοσύνης για την ανακάλυψη φαρμάκων υπερδιπλασιάστηκαν σε σχέση με το 2023 και έφτασαν τα 8,4 δισ. δολάρια το 2025, σύμφωνα με έκθεση της McKinsey.
Μέχρι στιγμής, μεγάλο μέρος των κεφαλαίων κατευθύνεται σε τομείς όπου η τεχνολογία έχει ήδη αποδείξει την αξία της, όπως ο σχεδιασμός νέων μορίων. Ωστόσο, οι φαρμακοβιομηχανίες αρχίζουν να πειραματίζονται και με την προσομοίωση κλινικών δοκιμών, προκειμένου να αξιολογούν ένα υποψήφιο φάρμακο πριν δεσμεύσουν τεράστια ποσά για την ανάπτυξή του.
Παράλληλα, οι αμερικανικές υγειονομικές αρχές ανακοίνωσαν πρωτοβουλίες για την επιτάχυνση των κλινικών δοκιμών, οι οποίες θα μπορούσαν μελλοντικά να ανοίξουν τον δρόμο για ευρύτερη χρήση της προβλεπτικής Τεχνητής Νοημοσύνης στην ανάπτυξη φαρμάκων.
Πέντε σωστές προβλέψεις στις έξι
Η BioinvestGPT είχε μοιραστεί με το Reuters από τον Ιούλιο αναλυτικές προβλέψεις για την έκβαση αρκετών σημαντικών κλινικών δοκιμών, προτού ανακοινωθούν τα αποτελέσματά τους.
Μέχρι στιγμής, έχει προβλέψει σωστά τις πέντε από τις έξι.
Μεταξύ άλλων, προέβλεψε την αποτυχία του del-desiran της Novartis, την επιτυχία του εμβολίου των Moderna και Merck για το μελάνωμα, περιορισμένο κλινικό όφελος για το καρδιολογικό φάρμακο Wainua των AstraZeneca και Ionis, καθώς και την αποτυχία μιας πρώτης δοκιμής του ziltivekimab της Novo Nordisk.
Η πλατφόρμα χρησιμοποιεί δεδομένα αλληλούχισης DNA για να δημιουργήσει ένα εικονικό ανθρώπινο σώμα που ανταποκρίνεται στα κριτήρια συμμετοχής μιας συγκεκριμένης κλινικής μελέτης. Στη συνέχεια πραγματοποιεί προσομοίωση της θεραπείας με ψηφιακό μοντέλο του υπό εξέταση φαρμάκου.
Η Τεχνητή Νοημοσύνη κάνει και λάθη
Οι προβλέψεις, πάντως, δεν είναι αλάνθαστες. Η ίδια πλατφόρμα είχε προβλέψει θετικά αποτελέσματα για το pelacarsen της Novartis, φάρμακο που μειώνει τα επίπεδα της λιποπρωτεΐνης(a) στο αίμα.
Τον Σεπτέμβριο, όμως, η Novartis ανακοίνωσε ότι το φάρμακο δεν κατάφερε να μειώσει τον κίνδυνο σοβαρού εμφράγματος ή εγκεφαλικού σε ασθενείς με συγκεκριμένο γενετικό παράγοντα κινδύνου.
Ο συνιδρυτής της BioinvestGPT, Μπράγκι Λόβετρού, παραδέχθηκε ότι το μοντέλο είχε υπολογίσει λανθασμένα τον μηχανισμό, καθώς δεν είχε λάβει υπόψη γενετικά καθορισμένες διαφορές στο μέγεθος της λιποπρωτεΐνης.
Προβλέπει αποτυχίες για Biogen και Takeda
Για κλινικές δοκιμές των οποίων τα αποτελέσματα αναμένονται πριν από το τέλος του έτους, η BioinvestGPT προβλέπει μεταξύ άλλων αποτυχία δύο μελετών Φάσης 3 της Biogen για το litifilimab, το οποίο δοκιμάζεται στην πιο συνηθισμένη μορφή λύκου.
Προβλέπει επίσης αρνητική έκβαση μελετών Φάσης 2 της Takeda για το zasocitinib στη νόσο του Crohn και την ελκώδη κολίτιδα, θεωρώντας ότι τα δύο φάρμακα δεν είναι ιδανικά για τους συγκεκριμένους πληθυσμούς ασθενών.
Η Takeda εμφανίζεται πιο επιφυλακτική απέναντι στις δυνατότητες πρόβλεψης της Τεχνητής Νοημοσύνης.
Ο επικεφαλής έρευνας της εταιρείας, Άντι Πλαμπ, δήλωσε ότι διαθέτει «τεράστια εμπιστοσύνη» στον μηχανισμό του zasocitinib, σημειώνοντας ότι η επιστήμη δεν έχει ακόμη φτάσει στο σημείο όπου η Τεχνητή Νοημοσύνη μπορεί να πραγματοποιεί οριστικές προβλέψεις.
Ανάλογη επιφύλαξη εξέφρασε και η Biogen, επισημαίνοντας ότι αλγόριθμοι οι οποίοι βασίζονται σε ιστορικά δεδομένα μπορεί να έχουν τάση προς αρνητικές προβλέψεις σε ασθένειες για τις οποίες υπάρχουν λίγες εγκεκριμένες θεραπείες.
«Είναι ηθικό να βάζουμε ασθενείς σε μια δοκιμή που πιθανότατα θα αποτύχει;»
Οι ειδικοί συμφωνούν ότι οι πραγματικές κλινικές δοκιμές θα εξακολουθήσουν να είναι απαραίτητες. Η Τεχνητή Νοημοσύνη, όμως, θα μπορούσε να λειτουργήσει ως ένα επιπλέον φίλτρο πριν ένα φάρμακο φτάσει σε εκατοντάδες ή χιλιάδες ασθενείς.
Ο Φρανσίσκο Μπέκα θέτει μάλιστα το ζήτημα και σε ηθική βάση. «Είναι ακόμη ηθικό το 2026 να εκθέτουμε ασθενείς σε μια κλινική δοκιμή που πιθανότατα θα αποτύχει;» διερωτήθηκε.
Κατά την εκτίμησή του, καθώς η τεχνολογία εξελίσσεται, μέσα στα επόμενα χρόνια η απάντηση σε αυτό το ερώτημα ενδέχεται να είναι αρνητική.
