кейс

3

По данным зарубежных источников в 2024 году средняя стоимость продвижения кандидата на лекарственный препарат через клиническую фазу оценивалась в 117,4 млн долларов США , при этом на фазы клинических испытаний 1, 2 и 3 в совокупности приходилось около 68% от общих затрат на разработку.

С учетом высокого процента неудачных испытаний эта цифра существенно возрастает. При этом среди клинических стадий фаза 3, как правило, является самой дорогой из-за ее большей продолжительности и необходимости регистрации большего количества пациентов.

Клиническое испытание лекарственных средств— обязательный этап разработки новых лекарственных препаратов. В них в качестве испытуемых принимают участие люди-добровольцы и собираются данные об эффективности и безопасности новых препаратов для принятия решения о регистрации лекарства.

Бизнес-идея технологической компании Formation Bio заключается в приобретении перспективных кандидатов на клинические стадии у фармацевтических и биотехнологических компаний и их более быстрой и эффективной доработке за счет своей стратегии разработки с фирменными технологиями и возможностями ИИ.

В частности, оптимизация возможна на этапе набора пациентов для клинических испытаний – медленном и дорогостоящем процессе. Так, по оценкам, менее 10% пациентов участвуют в клинических испытаниях по разным причинам, включая тот факт, что их никогда не приглашают или не информируют о такой возможности.

Определение стратегии набора пациентов и создание материалов для набора, которые вовлекают участников в соответствии с нормативными требованиями, а также обеспечение того, чтобы они были привлекательны для широкого круга лиц, необходимых для испытания, чтобы обеспечить точные и значимые результаты, обычно занимает несколько месяцев работы нескольких команд специалистов.

Для сокращения сроков набора пациентов для участия в клинических испытаниях новых лекарственных препаратов компания разработала Muse – инструмент на базе генеративного ИИ.

Решение на основе небольшого количества исходных документов автоматически генерирует весь необходимый контент для запуска клинических испытаний, включая анкеты предварительного скрининга, цифровую рекламу и контент для охвата аудитории.

Оно анализирует научную литературу, демографические данные пациентов, терапевтический ландшафт и конкурентные идеи для определения идеальных групп пациентов и рекомендации для стратегий набора, которые включают различные группы населения. Далее инструмент автоматически генерирует материалы, которые настраиваются для определенных подгрупп пациентов и могут быть переведены на разные языки и в разных стилях с учетом нормативных требований.

Другими словами, Muse автоматизирует работу, которую раньше вручную проводили группы экспертов и способствует более быстрому принятию решений.

Платформа Muse создана на основе инструментов Assistants API OpenAI.

Результаты ее работы полностью основаны на данных, предоставленных пользователем. Они дополняются только отраслевыми правилами и рекомендациями, которые содержат информацию о процессах валидации.

Обычно предоставляемые пользователем документы включают протокол исследования, в котором излагаются критерии приемлемости и цели клинического испытания. Однако пользователи могут загружать любую соответствующую информацию, чтобы улучшить понимание Muse.

Обычные источники дополнительных данных включают:

• Исследования заболеваний — сведения о заболевании, включая симптомы и последствия, которые могут быть не подробно описаны в протоколе;
• Демографические данные пациентов — статистические данные о целевой популяции пациентов;
• Рыночный ландшафт — информация о существующих методах лечения и конкурентах.

После обработки этих файлов и сохранения их в векторной базе данных ИИ-ассистенты готовы генерировать идеи.

Каждая отдельная задача в рамках процесса набора пациентов для клинических испытаний обрабатывается специальным ассистентом OpenAI, который использует машинное обучение и обработку естественного языка (NLP) для анализа текста, генерации ответов и предоставления соответствующей информации на основе обширных данных обучения.

ИИ-ассистенты Muse сгруппированы в три основные категории, каждая из которых предназначена для обработки различных аспектов рабочего процесса:

1. Стратегические асисстенты — сосредоточены на исследованиях и анализе, которые информируют о создании контента:

Глоссарий — устанавливает стандартизированный набор терминов, чтобы гарантировать, что медицинская терминология остается доступной во всех материалах.

Атрибуты — извлекает новые аспекты исследования из протоколов и исследований, определяя уникальные характеристики, которые отличают исследование. Например, он может объединять детали протокола с данными ландшафта лечения, чтобы подчеркнуть особую эффективность препарата;

Сегменты — использует атрибуты для определения значимых групп пациентов, что позволяет осуществлять более целенаправленный и релевантный охват.

2. Асисстенты по созданию контента — используют стратегические результаты для создания материалов по набору, адаптированных к определенным сегментам.

3. Асисстенты по валидации — оценивают контент с различных точек зрения (например, соответствие требованиям IRB, институционального наблюдательного совета, по соблюдению правил и процедур для защиты прав, безопасности и благополучия участников исследований) и предоставляют структурированную обратную связь.

Эти асисстенты используют специальные хранилища, содержащие нормативные рекомендации и передовой отраслевой опыт, чтобы предоставлять точные, учитывающие контекст рекомендации — подобно рецензенту-человеку.

Например, совет IRB должен одобрить все прямые рекламные материалы для клинических испытаний, прежде чем их можно будет использовать. В традиционных рабочих процессах это приводит к значительному количеству повторных итераций и переделок.

Многие нормативные требования являются достаточно тонкими, например:

• Нужно обеспечить, что тон не был слишком обещающим или подразумевал гарантированный положительный результат;
• Нужно избегать чрезмерного акцента на финансовых стимулах для участников.

Оснастив помощника нормативными документами IRB и определив многоступенчатый процесс рассмотрения, становится возможным выявить обратную связь, подобную IRB, на ранних этапах процесса создания контента. Это уменьшает проблемы соответствия и сводит к минимуму необходимость экстренного внесения изменений при официальном рассмотрении материала.

Для сохранения гибкости Muse и поддержки легкого добавления новых ИИ агентов на любом уровне были использованы два ключевых способа:

1. Определение модульных ассистентов

Рабочий процесс каждого ассистента настраивается через интерфейс без кода, что позволяет пользователям объединять промпты в многошаговые процессы.

Например, при определении помощника для создания сегментов пациентов рабочий процесс может включать:

• оценку атрибутов — анализ всех сгенерированных атрибутов для выявления значимых шаблонов;
• выявление ключевых групп пациентов — выявление недостаточно обслуживаемых групп или традиционно трудно поддающихся набору групп, которые могут подойти для исследования;
• расширение профилей сегментов — обогащение идентифицированных сегментов ожидаемыми расовыми, возрастными и демографическими данными для управления адаптацией контента.

2. Динамическое использование стратегического контекста

Не все стратегические элементы одинаково актуальны для каждого ассистента. Вместо того чтобы вручную определять эти отношения, ассистенты самостоятельно определяют соответствующий контекст во время выполнения:

• анализируя собственное описание и сравнивая его с описаниями стратегических помощников;
• автоматически вставляя соответствующие стратегические результаты в начало новых потоков для обеспечения контекстной осведомленности.

Такой подход гарантирует, что ассистенты работают с правильным стратегическим контекстом, не требуя явных зависимостей, что делает систему высокоадаптируемой и масштабируемой.

Такая гибкость значительно повысила качество результатов работы Muse, позволяя разработчикам и профильным экспертам легко совершенствовать и корректировать рабочие процессы, не требуя экспертных знаний Python.

Оркестровка ассистентов

При создании контента для проекта ассистенты работают в структурированной последовательности:

1. Сначала запускаются стратегические ассистенты – они анализируют ключевые входные данные, такие как термины глоссария, критерии приемлемости и атрибуты исследования, предоставляя основополагающий контекст.

2. Далее работают ассистенты по контенту – после завершения работы стратегических ассистенты по контенту динамически используют свои результаты, как описано ранее.

3. Валидаторы проверяют и применяют обратную связь – по мере того, как каждый ассистент по контенту завершает свою задачу, ассистенты по валидации оценивают результат и применяют необходимые изменения для соответствия и ясности.

4. Адаптация для конкретного сегмента:

   • После создания исходного контента он дорабатывается для каждого сегмента пациентов на этапе адаптации;

Вместо того, чтобы воссоздавать контент с нуля, на этом этапе корректируется язык, тон и акцент для лучшего соответствия потребностям сегмента.

Отмечается, что несмотря на сложность рабочего процесса в целом и потенциально включающего сотни отдельных задач в разных сегментах, разработанное решение выполняет их параллельно, где только возможно, и сразу запускает подзадачи после выполнения зависимостей.

В результате, по словам разработчиков, весь процесс, который обычно требует работы многих фармацевтических команд в течение нескольких месяцев, может быть выполнен менее чем за 15 минут.

На данный момент Muse представляет собой уникальное решение на основе генеративного ИИ для набора пациентов для участия в клинических испытаниях. Система на только ускоряет создание контента, но и повышает его соответствие нормативным требованиям, адаптивность и точность. Модульная и слабосвязанная архитектура решения допускает его непрерывную эволюцию.

В ноябре 2024 компании Sanofi и Formation Bio заявили, что планируют внедрить Muse в предстоящих клинических испытаниях, при этом Sanofi возглавит первоначальное развертывание в исследованиях третьей фазы лекарств от рассеянного склероза. Для этого развертывания Sanofi предоставит данные и экспертные знания по заболеванию.