Η φαρμακοβιομηχανία βρίσκεται μπροστά σε ένα παράδοξο: οι επενδύσεις για την ανάπτυξη νέων θεραπειών αυξάνονται, όμως οι πιθανότητες ένας υποψήφιος φαρμακευτικός παράγοντας να φτάσει τελικά στην αγορά παραμένουν χαμηλές. Σε αυτό το πρόβλημα επιχειρεί να δώσει απάντηση η τεχνητή νοημοσύνη, μεταφέροντας μέρος της διαδικασίας αξιολόγησης σε ψηφιακά περιβάλλοντα.
Εταιρείες τεχνολογίας και νεοφυείς επιχειρήσεις αναπτύσσουν πλέον εικονικές κλινικές δοκιμές, με στόχο να προσομοιώνουν την αντίδραση του ανθρώπινου οργανισμού σε πειραματικές θεραπείες. Η βασική φιλοδοξία είναι να αναγνωρίζονται νωρίτερα τα φάρμακα που εμφανίζουν αυξημένο κίνδυνο αποτυχίας, πριν οι φαρμακευτικές εταιρείες επενδύσουν τεράστια ποσά σε δοκιμές με ασθενείς.
Το οικονομικό μέγεθος της αγοράς εξηγεί το ενδιαφέρον. Η παγκόσμια βιοφαρμακευτική βιομηχανία δαπανά περίπου 140 δισ. δολάρια ετησίως για κλινικές δοκιμές σε ανθρώπους, αλλά μόλις περίπου 12% των υποψήφιων φαρμάκων καταλήγει να λαμβάνει κανονιστική έγκριση. Παρά τις δεκαετίες έρευνας και τις τεχνολογικές εξελίξεις, το ποσοστό επιτυχίας έχει παραμείνει σε μεγάλο βαθμό στάσιμο.
Η μετάβαση από το εργαστήριο στην προσομοίωση
Η κλασική πορεία ενός φαρμάκου περιλαμβάνει διαδοχικά στάδια. Οι μελέτες Φάσης 1 εξετάζουν κυρίως την ασφάλεια σε μικρό αριθμό συμμετεχόντων. Ακολουθούν οι μελέτες Φάσης 2 και, στη συνέχεια, οι πολύ μεγαλύτερες μελέτες Φάσης 3, μέσα από τις οποίες αξιολογείται η αποτελεσματικότητα και συγκεντρώνονται τα στοιχεία που χρειάζονται οι ρυθμιστικές αρχές.
Πρόκειται για μια διαδικασία που μπορεί να διαρκέσει χρόνια και να απαιτήσει τεράστιους οικονομικούς πόρους. Οι προσομοιώσεις με τεχνητή νοημοσύνη, αντίθετα, μπορούν σε ορισμένες περιπτώσεις να ολοκληρωθούν μέσα σε έναν μήνα ή ακόμη ταχύτερα.
Η λογική των υποστηρικτών της τεχνολογίας δεν είναι απλώς να γίνουν οι κλινικές δοκιμές ταχύτερες. Είναι να περιοριστεί εξαρχής ο αριθμός των δοκιμών που έχουν αυξημένες πιθανότητες να αποτύχουν. Έτσι, η AI μπορεί να λειτουργήσει ως ένα επιπλέον φίλτρο πριν από την πραγματική δοκιμή σε ανθρώπους.
Οι επενδύσεις στον συγκεκριμένο τομέα αυξάνονται γρήγορα. Το 2025 τα κεφάλαια που κατευθύνθηκαν στην ανακάλυψη φαρμάκων μέσω AI έφτασαν τα 8,4 δισ. δολάρια, υπερδιπλάσια σε σχέση με το 2023. Ωστόσο, το μεγαλύτερο μέρος της χρηματοδότησης αφορά εφαρμογές όπου η τεχνολογία έχει ήδη αποδείξει ότι μπορεί να προσφέρει σημαντικά αποτελέσματα, όπως ο σχεδιασμός μορίων.
Η πρόβλεψη της συμπεριφοράς ενός φαρμάκου σε πραγματικούς ασθενείς είναι σαφώς πιο σύνθετη. Η βιολογία του ανθρώπινου οργανισμού, οι διαφορετικές αντιδράσεις των ασθενών και η μακρά διάρκεια των δοκιμών δημιουργούν περιορισμούς που δεν μπορούν να εξαλειφθούν εύκολα με αλγορίθμους.
Πέντε σωστές προβλέψεις στις έξι δοκιμές
Παρά τις δυσκολίες, τα πρώτα αποτελέσματα ορισμένων πλατφορμών ενισχύουν τις προσδοκίες. Μία από αυτές έχει αξιολογήσει έξι κλινικές δοκιμές και υποστηρίζει ότι οι προβλέψεις της επιβεβαιώθηκαν στις πέντε. Η επίδοση αυτή θεωρείται ενδεικτική της δυνατότητας που μπορεί να έχει η AI ως εργαλείο έγκαιρης αξιολόγησης.
Η πλατφόρμα χρησιμοποιεί δεδομένα αλληλούχισης DNA για να δημιουργήσει ένα ψηφιακό μοντέλο του ανθρώπινου οργανισμού, προσαρμοσμένο στα κριτήρια συμμετοχής μιας συγκεκριμένης κλινικής δοκιμής. Στη συνέχεια εισάγει σε αυτό το μοντέλο την υπό εξέταση θεραπεία και προσομοιώνει την πιθανή αντίδραση.
Με αυτόν τον τρόπο, οι ερευνητές μπορούν να αναζητήσουν ενδείξεις που εξηγούν γιατί ένα φάρμακο ενδέχεται να είναι ασφαλές και αποτελεσματικό ή, αντίθετα, γιατί παρουσιάζει αυξημένες πιθανότητες αποτυχίας. Η πληροφορία αυτή μπορεί να αποδειχθεί ιδιαίτερα χρήσιμη πριν από τη δέσμευση μεγάλων κεφαλαίων και ανθρώπινων πόρων.
Η τεχνολογία, ωστόσο, απέχει ακόμη από το να θεωρείται αλάνθαστη. Έξι δοκιμές αποτελούν μικρό δείγμα και δεν αρκούν για να αποδείξουν ότι οι ψηφιακές προσομοιώσεις μπορούν να προβλέψουν με αξιοπιστία την έκβαση κάθε κλινικής μελέτης.
Η ανθρώπινη δοκιμή παραμένει απαραίτητη
Η εξέλιξη της AI δεν σημαίνει ότι οι ασθενείς θα πάψουν να συμμετέχουν σε κλινικές μελέτες. Οι πραγματικές δοκιμές εξακολουθούν να αποτελούν απαραίτητο βήμα για την επιβεβαίωση της ασφάλειας και της αποτελεσματικότητας μιας θεραπείας.
Η πιθανότερη αλλαγή αφορά τον τρόπο με τον οποίο επιλέγονται τα φάρμακα που φτάνουν σε αυτό το στάδιο. Εάν οι προσομοιώσεις μπορούν να εντοπίζουν εγκαίρως θεραπείες με μικρές πιθανότητες επιτυχίας, οι εταιρείες θα έχουν τη δυνατότητα να εγκαταλείπουν νωρίτερα ορισμένα προγράμματα και να διοχετεύουν τους πόρους τους σε πιο υποσχόμενες επιλογές.
Το ζήτημα έχει και έντονη ηθική διάσταση. Όσο αυξάνεται η ακρίβεια των μοντέλων, τόσο ενισχύεται το ερώτημα εάν είναι αποδεκτό να συμμετέχουν ασθενείς σε μια δοκιμή που, με βάση τα διαθέσιμα δεδομένα, εμφανίζει πολύ υψηλή πιθανότητα αποτυχίας.
Οι αμερικανικές υγειονομικές αρχές προωθούν παράλληλα πρωτοβουλίες για την επιτάχυνση των κλινικών δοκιμών. Ένα πιο ευέλικτο ρυθμιστικό πλαίσιο θα μπορούσε να διευκολύνει την ενσωμάτωση εργαλείων AI στην ανάπτυξη φαρμάκων, χωρίς να καταργεί την ανάγκη για πραγματικές μελέτες.
Το επόμενο μεγάλο στοίχημα δεν είναι μόνο η δημιουργία νέων φαρμάκων με τη βοήθεια της τεχνητής νοημοσύνης. Είναι η δυνατότητα να προβλέπεται νωρίτερα ποια από αυτά αξίζουν να περάσουν στο ακριβό και πολυετές στάδιο των κλινικών δοκιμών. Εάν οι προσομοιώσεις αποδειχθούν αξιόπιστες σε μεγαλύτερη κλίμακα, θα μπορούσαν να περιορίσουν το κόστος, να μειώσουν τις αποτυχημένες δοκιμές και να επιταχύνουν την ανάπτυξη νέων θεραπειών.
Σχολίασε εδώ
Για να σχολιάσεις, χρησιμοποίησε ένα ψευδώνυμο.