Machine learning in klinische studies: een gids voor 2026

Korte samenvatting: Machine learning transformeert klinische studies door de werving van patiënten te optimaliseren, het onderzoeksontwerp te verbeteren, de data-analyse te optimaliseren en de ontwikkeltijd van geneesmiddelen te verkorten. Hoewel slechts 121 TP3T aan geneesmiddelenontwikkelingsprogramma's succesvol de fase 1-lancering doorlopen, pakken ML-algoritmen cruciale uitdagingen aan zoals uitval van deelnemers, protocolcomplexiteit en voorspellende modellen. Dit leidt tot betere resultaten en een verlaging van de naar schatting 1 TP4T1+ miljard dollar die jaarlijks in de VS wordt uitgegeven aan patiëntenwerving.

Klinische studies vormen nog steeds de ruggengraat van de geneesmiddelenontwikkeling. Maar hier ligt het probleem: ze zijn duur, tijdrovend en mislukken vaker dan dat ze slagen.

Naar schatting slaagt slechts 12% (Total Procurement, Poultry, and Threshold) van geneesmiddelenontwikkeling erin om fase 1 van het klinische onderzoek succesvol af te ronden en op de markt te brengen. Dat is een verbijsterend laag percentage mislukkingen dat farmaceutische bedrijven miljarden kost en ervoor zorgt dat potentieel levensreddende behandelingen de patiënten die ze nodig hebben, niet bereiken.

Machine learning verandert die situatie. Door enorme datasets te analyseren, patronen te identificeren die voor menselijke onderzoekers onzichtbaar zijn en uitkomsten met steeds grotere nauwkeurigheid te voorspellen, pakken ML-algoritmen enkele van de meest hardnekkige uitdagingen in klinisch onderzoek aan.

De cijfers spreken voor zich. Alleen al in de VS wordt jaarlijks bijna 1,8 tot 1,9 miljard dollar uitgegeven aan het werven van patiënten die aan de inclusiecriteria voldoen. Patiëntenwerving neemt een aanzienlijk deel van de ontwikkeltijd in beslag. En tussen de 33,6 en 52,41 biljoen dollar aan klinische studies in fase 1 tot en met 3 bereikt de volgende fase niet.

Machine learning biedt oplossingen voor deze problemen door middel van geavanceerde patroonherkenning, voorspellende analyses en geautomatiseerde besluitvormingsprocessen die elke fase van de levenscyclus van klinische studies verbeteren.

Inzicht in machinaal leren in de context van klinisch onderzoek

Volgens de FDA verwijst kunstmatige intelligentie naar een machinegebaseerd systeem dat voorspellingen, aanbevelingen of beslissingen kan nemen die van invloed zijn op reële of virtuele omgevingen, met het oog op een reeks door mensen gedefinieerde doelstellingen. Machine learning is een subcategorie van AI die zich richt op algoritmen die verbeteren door ervaring en blootstelling aan data.

In klinische onderzoeken maken ML-systemen gebruik van drie kernprocessen: het waarnemen van reële en virtuele omgevingen via machinale en menselijke input, het abstraheren van waarnemingen naar modellen door middel van geautomatiseerde analyse, en het gebruiken van modelinferentie om opties voor informatie of actie te formuleren.

Het onderscheid is belangrijk. Traditionele statistische methoden vereisen dat onderzoekers de relaties tussen variabelen expliciet specificeren. Machine learning-algoritmen ontdekken deze relaties autonoom door patronen in de trainingsdata te identificeren.

Soorten machine learning die worden gebruikt in klinische studies

Klinische onderzoekers gebruiken verschillende machine learning-benaderingen, afhankelijk van hun specifieke behoeften en beschikbare datastructuren.

Algoritmen voor supervised learning leren van gelabelde trainingsdata om voorspellingen te doen over nieuwe, onbekende data. Deze methoden blinken uit in classificatietaken, zoals het voorspellen welke patiënten op een behandeling zullen reageren of het identificeren van kandidaten die de grootste kans hebben om een onderzoeksprotocol te voltooien.

Random forest-algoritmen kwamen voor in 42% van de geanalyseerde onderzoeken die gegevens uit de praktijk gebruikten voor ziektevoorspelling en -beheer. Logistische regressie werd gebruikt in 37% van de onderzoeken, terwijl support vector machines in 32% van de toepassingen voorkwamen.

Ongecontroleerd leren identificeert verborgen patronen in ongelabelde data. Clusteringsalgoritmen groeperen vergelijkbare patiënten, waardoor subpopulaties aan het licht komen die mogelijk baat hebben bij verschillende behandelingsmethoden of doseringsstrategieën.

Reinforcement learning optimaliseert sequentiële besluitvorming. In adaptieve onderzoeksopzetten passen deze algoritmen de toewijzing van behandelingen aan op basis van steeds meer bewijs over welke interventies het beste werken voor specifieke patiëntsubgroepen.

Verbeter de ML-workflows voor klinische studies met superieure AI. 

Klinische onderzoeksprocessen genereren grote hoeveelheden gestructureerde en ongestructureerde data die lastig handmatig te verwerken zijn. Machine learning helpt bij het organiseren en analyseren van deze informatie ter ondersteuning van onderzoeksprocessen. AI Superieur Biedt AI-consultancy en op maat gemaakte machine learning-oplossingen voor toepassingen in de gezondheidszorg en data-intensieve toepassingen.

Wil je AI toepassen in klinisch onderzoek?

AI Superior werkt met teams aan:

• Ontwikkeling van aangepaste machine learning-modellen voor complexe datasets
• Data-analyse en extractie van kenmerken uit medische informatie
• Proof-of-concept en AI-consultancyondersteuning
• Systeemintegratie voor bestaande digitale infrastructuren

👉Neem contact op met AI Superior om te bespreken hoe je machine learning kunt toepassen in je klinische onderzoeksproject.

Een revolutie in de werving en selectie van patiënten.

Het werven van patiënten is een van de hardnekkigste knelpunten in klinische studies. De gemiddelde duur tussen de eerste planning en de start van fase 3-studies bedraagt 700 dagen. Een groot deel van die vertraging komt voort uit de moeilijkheid om geschikte deelnemers te vinden en te werven.

Machine learning pakt dit probleem aan via verschillende benaderingen. Algoritmen voor natuurlijke taalverwerking scannen elektronische patiëntendossiers om automatisch patiënten te identificeren die voldoen aan complexe criteria. Deze systemen analyseren ongestructureerde klinische aantekeningen, laboratoriumresultaten en beeldverslagen veel sneller dan handmatige beoordeling.

Voorspellende modellen schatten de kans in dat elke patiënt aan de inclusiecriteria voldoet, op de behandeling reageert en het onderzoeksprotocol voltooit. Hierdoor kunnen wervingsteams prioriteit geven aan het benaderen van kandidaten die de grootste kans hebben om deel te nemen en betrokken te blijven gedurende het onderzoek.

Eerlijk gezegd: dit is enorm belangrijk. Patiënten die afhaken of zich niet aan de voorschriften houden, zorgen er vaak voor dat studies de toegestane tijd- of kostenlimieten overschrijden of geen bruikbare gegevens opleveren. In de VS loopt het percentage patiënten dat zich niet aan de voorschriften houdt op tot 50%, en soortgelijke problemen belemmeren de deelname aan klinische studies.

Verbetering van de efficiëntie van de geschiktheidsscreening

Bij de traditionele selectieprocedure moeten klinische coördinatoren handmatig honderden patiëntendossiers doornemen. Voor elke ingeschreven deelnemer moeten coördinatoren mogelijk tientallen potentiële kandidaten screenen.

Door machine learning aangedreven screeningsystemen verminderen deze last aanzienlijk. Door de initiële geschiktheidsbeoordeling te automatiseren, stellen deze tools coördinatoren in staat hun expertise te richten op grensgevallen en patiëntenbetrokkenheid in plaats van op routinematige gegevensextractie.

De impact op de tijdsplanning van klinische studies kan aanzienlijk zijn. Snellere werving van deelnemers betekent een eerdere afronding van de studie, wat zich vertaalt in snellere besluitvorming door regelgevende instanties en snellere toegang van patiënten tot effectieve behandelingen.

Maar hier wordt het interessant. Machine learning versnelt niet alleen bestaande processen, maar maakt ook fundamenteel andere wervingsstrategieën mogelijk. Voorspellende algoritmes kunnen geschikte kandidaten jaren eerder identificeren dan dat ze traditioneel in aanmerking zouden komen voor deelname aan een onderzoek, waardoor proactieve betrokkenheid en relatieopbouw mogelijk zijn.

Verbetering van het ontwerp van klinische studies en optimalisatie van protocollen

Klinische onderzoeken zijn in de loop der tijd steeds complexer geworden. Analyse van meer dan 16.000 onderzoeksprotocollen met behulp van machine learning-algoritmen bracht een aanzienlijke toename in de complexiteit van onderzoeken aan het licht, verspreid over verschillende fasen en therapeutische gebieden.

Deze complexiteit komt tot uiting in een toenemend aantal eindpunten, inclusie- en exclusiecriteria, studieprocedures en protocolwijzigingen. Hoewel een zekere mate van complexiteit een weerspiegeling is van daadwerkelijke vooruitgang in wetenschappelijk inzicht, leidt onnodige complexiteit – wat onderzoekers 'slechte' complexiteit noemen – tot extra kosten en tijd zonder de resultaten te verbeteren.

Machine learning helpt onderscheid te maken tussen noodzakelijke en onnodige complexiteit. Door historische onderzoeksgegevens te analyseren, identificeren ML-algoritmen welke protocolonderdelen de slagingskansen daadwerkelijk verbeteren en welke onderdelen deelnemers en onderzoekers alleen maar extra belasten.

Optimalisatie van de eindpuntselectie

Het kiezen van geschikte eindpunten is een cruciale beslissing bij het ontwerpen van een onderzoek. Primaire eindpunten moeten klinisch relevant, betrouwbaar meetbaar en gevoelig voor behandelingseffecten zijn.

ML-algoritmen analyseren gegevens van voltooide onderzoeken om te voorspellen welke eindpunten de effectiviteit van een behandeling het duidelijkst zullen aantonen. Deze op bewijs gebaseerde selectie van eindpunten vergroot de kans op succes van het onderzoek en vermindert tegelijkertijd onnodige gegevensverzameling.

Samengestelde eindpunten – die meerdere klinische gebeurtenissen combineren tot één enkele uitkomstmaat – brengen specifieke uitdagingen met zich mee. Machine learning helpt bij het optimaliseren van de weging en combinatie van individuele componenten om de statistische power te maximaliseren zonder het aantal vals-positieve resultaten te verhogen.

Adaptieve onderzoeksopzetten

Adaptieve ontwerpen maken protocolwijzigingen mogelijk op basis van verzamelde onderzoeksgegevens, met behoud van wetenschappelijke validiteit en wettelijke aanvaardbaarheid. Machine learning maakt complexere aanpassingen mogelijk dan traditionele methoden.

Bayesiaanse adaptieve ontwerpen gebruiken machine learning-algoritmen om waarschijnlijkheidsschattingen bij te werken naarmate er nieuwe gegevens binnenkomen. Deze ontwerpen kunnen ineffectieve behandelingsarmen vroegtijdig beëindigen, randomisatieverhoudingen aanpassen om effectievere behandelingen te bevoordelen, of inclusiecriteria wijzigen om waarschijnlijke respons te vergroten.

De FDA heeft steeds meer interesse getoond in deze benaderingen. Richtlijnen erkennen dat AI- en ML-technologieën de potentie hebben om de gezondheidszorg te transformeren door nieuwe inzichten te verkrijgen uit de enorme hoeveelheden data die tijdens de zorgverlening worden gegenereerd.

Verbetering van de datakwaliteit en monitoring

Kwaliteitsproblemen met data vormen een groot probleem bij klinische studies. Ontbrekende gegevens, afwijkingen van het protocol, inconsistente metingen en transcriptiefouten bedreigen de validiteit van de studie en vereisen uitgebreide monitoring en correctie.

Machine learning biedt continue, geautomatiseerde bewaking van de datakwaliteit. Algoritmen voor anomaliedetectie signaleren ongebruikelijke patronen die kunnen wijzen op meetfouten, protocolovertredingen of datavervalsing.

Deze systemen leren normale patronen in de data van elke proef en identificeren vervolgens afwijkingen die nader onderzoek vereisen. In tegenstelling tot op regels gebaseerde systemen die alleen vooraf gedefinieerde fouttypen detecteren, sporen ML-algoritmen nieuwe kwaliteitsproblemen op die menselijke programmeurs niet hadden voorzien.

Realtime veiligheidsmonitoring

De veiligheid van deelnemers is van het grootste belang in klinisch onderzoek. Traditionele veiligheidsmonitoring is gebaseerd op periodieke beoordeling van geaggregeerde meldingen van bijwerkingen, wat de detectie van ernstige risico's kan vertragen.

Door machine learning aangedreven veiligheidsbewakingssystemen analyseren continu bijwerkingen en vergelijken de waargenomen frequentie met verwachte basiswaarden en historische gegevens van vergelijkbare onderzoeken. Deze systemen kunnen verhoogde risicosignalen weken of maanden eerder detecteren dan traditionele methoden.

Natuurlijke taalverwerking extraheert veiligheidsrelevante informatie uit ongestructureerde klinische aantekeningen en door patiënten gerapporteerde uitkomsten. Hierdoor worden veiligheidssignalen opgespoord die mogelijk niet in gestructureerde formulieren voor bijwerkingen voorkomen, maar wel naar voren komen in vrije tekstbeschrijvingen van patiëntervaringen.

Voorspellende modellen voor de uitkomst van klinische studies

Het voorspellen van de uitkomst van klinische studies vóór de voltooiing ervan zou de geneesmiddelenontwikkeling revolutioneren. Onderzoekers op het gebied van machine learning hebben aanzienlijke vooruitgang geboekt in de richting van dit doel door kenmerken van het onderzoeksontwerp, vroege tussentijdse gegevens en externe datasets te analyseren om de kans op succes van een onderzoek te voorspellen.

Modellen die getraind zijn op duizenden historische onderzoeken leren welke kenmerken succes of mislukking voorspellen. Ontwerpkenmerken zoals de onderzoeksfase, het therapeutische gebied, de selectie van eindpunten en het type sponsor beïnvloeden allemaal de waarschijnlijkheid van de uitkomst. Machine learning-algoritmen wegen deze factoren optimaal af om voorspellingen te genereren die nauwkeuriger zijn dan alleen deskundig oordeel.

Toegepast op geneesmiddelen die nog in ontwikkeling zijn, helpen deze modellen farmaceutische bedrijven betere portfoliobeslissingen te nemen. Het vroegtijdig stopzetten van onveelbelovende programma's bespaart middelen die kunnen worden ingezet voor veelbelovendere kandidaten.

Het voorspellen van uitkomsten op patiëntniveau

Naast voorspellingen op proefniveau voorspellen ML-modellen ook de uitkomst voor individuele patiënten. Deze voorspellingen op patiëntniveau maken gepersonaliseerde geneeskundige benaderingen mogelijk binnen het ontwerp van klinische studies.

Voorspellende selectie identificeert patiënten die het meest waarschijnlijk baat zullen hebben bij een experimentele behandeling. Door patiënten met een verwachte respons te includeren, wordt de statistische power vergroot, waardoor kleinere onderzoeken de effecten van de behandeling kunnen aantonen. Dit versnelt de ontwikkeling en stelt minder patiënten bloot aan ineffectieve of schadelijke interventies.

Prognostische selectie houdt in dat patiënten met een hoger risico op de betreffende uitkomst worden geselecteerd. In onderzoeken naar preventieve interventies leidt het includeren van risicopatiënten tot een hogere incidentie, waardoor de benodigde steekproefomvang en onderzoeksduur worden verkleind.

Verrijkingsstrategieën roepen echter belangrijke vragen op over generaliseerbaarheid. Klinische studies die geoptimaliseerd zijn voor goedkeuring door regelgevende instanties, omvatten mogelijk geen representatieve steekproeven van de werkelijke patiëntenpopulatie. Machine learning helpt deze tegenstrijdige overwegingen in evenwicht te brengen door te modelleren hoe verschillende inschrijvingsstrategieën zowel de efficiëntie van de studie als de generaliseerbaarheid van de resultaten beïnvloeden.

Het analyseren van praktijkgegevens met behulp van machine learning.

Gegevens uit de praktijk – verzameld buiten traditionele klinische onderzoeken uit bronnen zoals elektronische patiëntendossiers, declaratiegegevensbanken, patiëntenregisters en draagbare apparaten – leveren aanvullend bewijs over de effectiviteit en veiligheid van behandelingen.

Uit een analyse van 57 studies die machine learning gebruikten voor het verzamelen van gegevens uit de praktijk bleek dat de totale steekproefomvang meer dan 150.000 patiënten bedroeg. Random forest kwam het vaakst voor in 421 TP3T van de studies, gevolgd door logistische regressie in 371 TP3T en support vector machines in 321 TP3T.

Deze studies richtten zich voornamelijk op hart- en vaatziekten (33%), kanker (16%) en neurologische aandoeningen (11%). Het bewijs uit de praktijk werd voornamelijk verkregen uit elektronische patiëntendossiers, patiëntenregisters en draagbare apparaten.

Een aanzienlijk deel van de studies – 67% – richtte zich op het verbeteren van klinische besluitvorming, patiëntstratificatie en behandelingsoptimalisatie. Hiervan richtten 25% zich op besluitvorming, 21% op zorguitkomsten zoals kwaliteit van leven en herstelpercentages, en 19% op overlevingsvoorspelling.

De kloof tussen onderzoek en klinische praktijk overbruggen

Klinische onderzoeken leveren het beste bewijs voor de werkzaamheid van behandelingen, maar vinden plaats onder gecontroleerde omstandigheden die afwijken van de reguliere klinische zorg. Onderzoek in de praktijk laat zien hoe behandelingen presteren in heterogene patiëntenpopulaties binnen doorsnee gezondheidszorgsystemen.

Machine learning brengt deze complementaire bewijsbronnen samen. ML-algoritmen die getraind zijn op onderzoeksgegevens kunnen worden gevalideerd en bijgewerkt met behulp van gegevens uit de praktijk, waardoor voorspellingen voor bredere patiëntenpopulaties worden verbeterd.

Natuurlijke taalverwerking extraheert gestructureerde informatie uit klinische aantekeningen, radiologische rapporten en pathologische bevindingen. Dit ontsluit waardevolle gegevens die verborgen liggen in ongestructureerde tekstformaten, waardoor de beschikbare bewijsbasis voor analyse aanzienlijk wordt uitgebreid.

Regelgevingsaspecten en -uitdagingen

De FDA erkent het toenemende gebruik van AI in de gehele geneesmiddelenontwikkeling en in alle therapeutische gebieden. Het agentschap heeft richtlijnen gepubliceerd over goede machine learning-praktijken voor de ontwikkeling van medische hulpmiddelen en overwegingen voor het gebruik van AI ter ondersteuning van besluitvorming door regelgevende instanties.

Het International Medical Device Regulators Forum (IMDRF) heeft tien leidende principes voor goede machine learning-praktijken gepubliceerd, voortbouwend op de principes die in oktober 2021 zijn uitgebracht door de FDA, Health Canada en het Britse Medicines and Healthcare products Regulatory Agency. Deze principes bevorderen veilige, effectieve en hoogwaardige medische hulpmiddelen die gebruikmaken van machine learning-technologieën.

Belangrijke principes zijn onder meer het waarborgen van diverse en representatieve trainingsdata, het handhaven van datakwaliteit en -integriteit, het implementeren van robuuste modelvalidatieprocedures en het opzetten van monitoringsystemen voor ingezette modellen. Transparantie en interpreteerbaarheid krijgen bijzondere aandacht, aangezien toezichthouders moeten begrijpen hoe ML-systemen tot hun conclusies komen.

Vereisten voor datakwaliteit en -integriteit

Voor betrouwbare AI in klinische studies zijn er diverse datagerelateerde vraagstukken die aandacht vereisen. Deze vraagstukken hebben betrekking op de fasen van dataverzameling, -opslag, -verwerking en -analyse.

Gegevens moeten systematisch worden verzameld met behulp van gevalideerde instrumenten en gestandaardiseerde procedures. Ontbrekende gegevenspatronen moeten worden gedocumenteerd en verwerkt met behulp van statistisch verantwoorde methoden. Gegevensprovenance – het traceren van de oorsprong en veranderingen van gegevens in de loop der tijd – draagt bij aan de integriteit en maakt audits mogelijk.

Technische robuustheid en veiligheidseisen vereisen zorgvuldige aandacht voor diverse aspecten, zoals nauwkeurigheid, betrouwbaarheid en weerstand tegen aanvallen van buitenaf of onverwachte invoer. Machine learning-systemen moeten consistent presteren bij uiteenlopende patiëntengroepen en in verschillende zorgomgevingen.

Het aanpakken van algoritmische vooringenomenheid

Machine learning-algoritmen kunnen vooroordelen in de trainingsdata in stand houden of versterken. Als historische onderzoeksgegevens bepaalde demografische groepen ondervertegenwoordigen, kunnen modellen die op die gegevens zijn getraind, slecht presteren voor die populaties.

Algoritmische eerlijkheid vereist expliciete aandacht tijdens de ontwikkeling. Ontwikkelaars moeten de prestaties van modellen evalueren voor verschillende demografische subgroepen en algoritmen aanpassen om eerlijke prestaties te garanderen. Dit kan inhouden dat er extra trainingsgegevens worden verzameld voor ondervertegenwoordigde groepen of dat er gespecialiseerde algoritmen worden gebruikt om vooroordelen te verminderen.

Maar wacht even. Het definiëren van eerlijkheid zelf brengt uitdagingen met zich mee. Verschillende eerlijkheidsmaatstaven kunnen wiskundig met elkaar in conflict komen – het optimaliseren van één eerlijkheidscriterium kan een ander verslechteren. Belanghebbenden moeten beslissen welke definities van eerlijkheid het belangrijkst zijn voor elke specifieke toepassing.

Toepassingen van systematische reviews en meta-analyses

Machine learning versnelt systematische literatuuronderzoeken en meta-analyses – essentiële methoden voor het synthetiseren van bewijs uit meerdere studies.

Traditionele systematische reviews vergen veel handmatige inspanning. Uit één analyse bleek dat elke systematische review ongeveer $141.194,80 kost. Robuuste meta-analyses vereisen de betrokkenheid van 3-5 domeinexperts.

Machine learning helpt bij de selectie van studies door automatisch titels en samenvattingen te screenen op relevantie. In een meta-analyse naar het risico op atriumfibrillatie bij diabetespatiënten maakte machine learning een robuustere en efficiëntere selectie van studies mogelijk, waardoor het aantal studies dat handmatig gescreend moest worden, daalde van 4.177 naar 556 artikelen.

Uit een analyse van geautomatiseerde meta-analysepublicaties bleek dat 67% betrekking hadden op medische toepassingen en 33% op niet-medische toepassingen. Wat publicatiekanalen betreft, verschenen 70% in tijdschriften, 26% op conferenties en 4% als preprints.

Beperkingen van de huidige geautomatiseerde methoden

Ondanks de vooruitgang kent geautomatiseerde meta-analyse beperkingen die een volledig autonome werking belemmeren. Systemen vereisen nog steeds menselijk toezicht voor kwaliteitsbeoordeling, evaluatie van heterogeniteit en interpretatie van complexe resultaten.

Uit datasets die zowel medische als niet-medische toepassingen omvatten, blijkt dat geautomatiseerde meta-analyse verschillende implementatiepatronen en uiteenlopende mate van effectiviteit laat zien wat betreft het verbeteren van efficiëntie, schaalbaarheid en nauwkeurigheid. Sommige toepassingen tonen aanzienlijke voordelen, terwijl andere slechts een beperkte verbetering ten opzichte van traditionele methoden laten zien.

De gecombineerde analyse met behulp van machine learning in de studie naar diabetes en atriumfibrillatie toonde aan dat patiënten met diabetes een 49% hoger risico hadden op het ontwikkelen van atriumfibrillatie in vergelijking met personen zonder diabetes. Na correctie voor drie extra risicofactoren bleef het relatieve risico 23%. Vrouwen met diabetes vertoonden een 24% verhoogde kans in vergelijking met mannen.

Succesverhalen en praktische toepassingen

Praktische toepassingen in de echte wereld tonen de waarde van machine learning aan in klinische studies. Hoewel specifieke commerciële voorbeelden nog moeten worden geverifieerd op hun huidige nauwkeurigheid, documenteren wetenschappelijke publicaties succesvolle toepassingen in diverse therapeutische gebieden.

Voor de voorspelling van hart- en vaatziekten behaalden random forest-modellen een oppervlakte onder de curve van 0,85 (95% CI 0,81-0,89). Support vector machine-modellen voor de prognose van kanker lieten een nauwkeurigheid van 83% zien. Deze prestatieniveaus overtreffen veel traditionele risicoscores en klinische voorspellingsregels.

Neurologische toepassingen

Neurologische klinische studies staan voor unieke uitdagingen, waaronder heterogene patiëntenpopulaties, subjectieve uitkomstmaten en hoge placeboresponspercentages. Machine learning biedt oplossingen voor een aantal van deze problemen.

Machine learning-algoritmen die multimodale data analyseren – een combinatie van klinische beoordelingen, beeldvorming, genetische markers en digitale biomarkers – voorspellen ziekteprogressie nauwkeuriger dan elk afzonderlijk gegevenstype. Dit maakt strategieën voor prognostische verbetering mogelijk die de statistische power van klinische studies vergroten.

Digitale gezondheidstechnologieën genereren continu objectieve gegevens over het functioneren en de symptomen van patiënten. Machine learning-algoritmen extraheren betekenisvolle klinische eindpunten uit deze gegevens, wat leidt tot gevoeliger en ecologisch valide uitkomstmaten dan traditionele, in de kliniek uitgevoerde beoordelingen.

Klinische oncologische onderzoeken

De ontwikkeling van kankerbehandelingen is steeds meer gebaseerd op biomarkergestuurde benaderingen. Machine learning analyseert complexe moleculaire data om voorspellende biomarkers te identificeren die patiënten selecteren die het meest waarschijnlijk zullen reageren op doelgerichte therapieën of immunotherapieën.

Multivariate omics-biomarkermodellen, afgeleid van genomische, transcriptomische, proteomische en metabolomische data, maken gepersonaliseerde oncologische benaderingen mogelijk. Eerste toepassingen buiten de oncologie tonen potentieel voor andere complexe aandoeningen, hoewel de meeste klinisch gevalideerde modellen nog steeds in de context van kanker worden gebruikt.

Uitdagingen en praktische overwegingen bij de implementatie

Ondanks de veelbelovende mogelijkheden, brengt de implementatie van machine learning in klinische studies reële uitdagingen met zich mee die organisaties moeten aanpakken.

Technische infrastructuurvereisten

ML-systemen vereisen een robuuste data-infrastructuur, inclusief veilige opslag, efficiënte verwerkingspipelines en voldoende rekenkracht. Organisaties die deze infrastructuur missen, ondervinden aanzienlijke implementatieproblemen.

Cloudcomputingplatforms bieden schaalbare oplossingen, maar brengen wel aandachtspunten met zich mee op het gebied van gegevensbeveiliging en privacy, met name voor beschermde gezondheidsinformatie die onderworpen is aan regelgeving zoals HIPAA in de VS en GDPR in Europa.

Integratie met bestaande systemen voor het beheer van klinische studies, elektronische dataverzamelingsplatformen en systemen voor het indienen van regelgevende documenten vereist zorgvuldige planning en technische expertise. Oudere systemen beschikken mogelijk niet over de API's of data-exportmogelijkheden die nodig zijn voor ML-integratie.

Tekorten aan talent en expertise

Een succesvolle implementatie van machine learning vereist multidisciplinaire teams die expertise in klinisch onderzoek, statistische kennis, data science-vaardigheden en inzicht in regelgeving combineren. Organisaties hebben moeite om talent met deze diverse vaardigheden aan te trekken en te behouden.

Het trainen van bestaand personeel is een alternatieve aanpak, maar vergt een aanzienlijke tijdsinvestering. Klinische onderzoekers moeten voldoende kennis van machine learning hebben om de mogelijkheden en beperkingen te begrijpen, zonder zelf datawetenschapper te hoeven worden.

Samenwerkingen met academische instellingen, contractonderzoeksorganisaties of gespecialiseerde AI-leveranciers kunnen kennislacunes opvullen, maar vereisen een zorgvuldige selectie en beheer van de leveranciers.

Kostenoverwegingen

De ontwikkeling, validatie en het onderhoud van ML-systemen brengen aanzienlijke kosten met zich mee. Organisaties moeten deze investeringen afwegen tegen de verwachte voordelen in termen van snellere tests, hogere slagingspercentages en lagere totale ontwikkelingskosten.

De zakelijke haalbaarheid verschilt per organisatiegrootte en proefportfolio. Grote farmaceutische bedrijven die veel onderzoeken uitvoeren, kunnen snel rendement op hun investering behalen, terwijl kleinere organisaties die slechts af en toe onderzoeken uitvoeren, mogelijk meer baat hebben bij oplossingen van leveranciers dan bij interne ontwikkeling.

Toekomstige richtingen en opkomende trends

Machine learning in klinische studies blijft zich snel ontwikkelen. Verschillende opkomende trends beloven een verdere transformerende impact.

Gedecentraliseerde en virtuele rechtszaken

Gedecentraliseerde klinische onderzoeken – waarbij onderzoek naar de patiënt wordt gebracht in plaats van dat er bezoeken aan de onderzoekslocatie nodig zijn – genereren een schat aan gegevens over monitoring op afstand via wearables, smartphone-apps en apparaten voor thuiszorg.

ML-algoritmen verwerken deze gegevens om betekenisvolle klinische eindpunten te extraheren, protocolafwijkingen te detecteren en vroegtijdige veiligheidssignalen te identificeren. Natuurlijke taalverwerking analyseert door patiënten gerapporteerde uitkomsten die via digitale platforms worden ingediend.

Deze mogelijkheden maken meer patiëntgerichte onderzoeksopzetten mogelijk die de drempel voor deelname verlagen en tegelijkertijd de datakwaliteit behouden of verbeteren. Dit zou de wervings- en retentieproblemen kunnen oplossen waarmee traditionele, locatiegebonden onderzoeken te kampen hebben.

Gefedereerd leren voor onderzoeken op meerdere locaties

Bij federated learning worden machine learning-modellen op meerdere locaties getraind zonder de ruwe data te centraliseren. Elke locatie traint een lokaal model op zijn eigen data en deelt vervolgens alleen de modelparameters met een centrale server die de updates samenvoegt.

Deze aanpak pakt privacykwesties aan en maakt tegelijkertijd gezamenlijk leren mogelijk op basis van gedistribueerde datasets. Het is met name waardevol voor internationale onderzoeken die onderworpen zijn aan uiteenlopende regelgeving op het gebied van gegevensbeheer.

Causale gevolgtrekking en heterogeniteit van het behandelingseffect

De meeste ML-toepassingen richten zich op voorspellingen in plaats van op het vaststellen van oorzakelijke verbanden. Maar inzicht in causaliteit – welke interventies leiden tot betere resultaten – blijft essentieel voor klinisch onderzoek.

Opkomende causale ML-methoden combineren de flexibele patroonherkenning van machine learning met causale inferentiekaders. Deze methoden schatten heterogene behandelingseffecten in en identificeren patiëntsubgroepen die verschillend profiteren van specifieke interventies.

Dergelijke mogelijkheden ondersteunen de doelstellingen van precisiegeneeskunde door patiënten te koppelen aan behandelingen waarvan verwacht wordt dat ze het beste werken voor hun individuele kenmerken. Dit gaat verder dan standaardbehandelingen en leidt tot werkelijk gepersonaliseerde geneeskunde.

Veelgestelde vragen