Gündem

AI, klinik araştırmalar için uygunluk kriterlerinin seçimini optimize etmek için hasta verilerini kullanır

0

Klinik araştırmalar, yeni tedavilerin güvenli ve etkili olup olmadığını belirlemenin ana yoludur. Deneme başarısı, uygunluk kriterlerini karşılayan bireylerden oluşan temsili bir örneklemin zamanında kaydolmasına bağlı olabilir. Bununla birlikte, bir deneme sonucu hakkında istatistiksel olarak anlamlı bir sonuca varmak için yeterli sayıda insanı kaydetmek bir sorun olabilir. Yazma Doğa, Liu ve diğerleri.1 kanserli kişilerin gerçek dünyadaki klinik verilerinden öğrenerek uygunluk kriterlerinin kapsayıcılığını ve güvenliğini optimize etmek için veriye dayalı bir yol sunan bir yazılım aracı sunar.

Çoğu araştırma, katılımcıları sağlıklı veya genç insanlar gibi düşük risk profiline sahip kişilerle sınırlayan uygunluk kriterlerini kullanır ve hamile olanları, yaşlıları veya ilgi koşullarının yanı sıra başka hastalıkları (komorbiditeleri) olanları hariç tutar. İstisnalar, esas olarak fiziksel olarak savunmasız olan veya bağışıklık sistemleri zayıf olan veya ilaç toksisitesine karşı düşük toleransı olan kişileri örneklemden çıkarmak içindir. Bu bireylerdeki bu tür özellikler, çalışma örneğinin tekdüzeliğini tehlikeye atabilir ve kafa karıştırıcı veriler sağlayabilir. Yine de bu yaklaşım, deneme tedavisinden potansiyel olarak yararlanabilecek bazı kişilerin dahil edilmesini engellemektedir. Dahası, hariç tutmalar, bir denemeyi geciktirebilecek, hariç tutulan alt gruplara sınırlı genelleştirilebilirliği nedeniyle tehlikeye düşürebilecek veya yeterli sayıda katılımcıyı işe alamadığı için sonlandırılmasına neden olabilecek bir eksikliğe katkıda bulunabilir.

Araştırmacılar, klinik araştırmalar için uygunluk kriterlerinin basitleştirilmesi, daha az kısıtlayıcı hale getirilmesi ve klinik olarak şu anda olduğundan daha iyi gerekçelendirilmesi gerektiğini giderek daha fazla kabul ediyor.2. Bununla birlikte, uygunluk kriterlerini klinik olarak anlamlı bir şekilde kapsayıcı hale getirmek, bu kararları verirken kolayca kullanılabilecek kanıta dayalı yaklaşımların eksikliği nedeniyle bir zorluktur. Uygunluk kriterlerinin belirlenmesine yönelik geleneksel yaklaşımlar, büyük ölçüde geçmiş denemelerden alınan kriterlerin yeniden kullanımına veya araştırma tasarımcıları tarafından keyfi kararlara bağlıdır.

Elektronik sağlık kayıtlarının (EHR’ler) yaygın bir şekilde benimsenmesi, insanların klinik verilerini daha önce mümkün olandan daha büyük ölçekte erişilebilir hale getirdi. Bu yıl yayınlanan bir çalışmada, uygunluk kriterlerindeki değişikliklerin katılabilecek kişi havuzunu nasıl genişletebileceğini ve böylece klinik araştırmaların istatistiksel gücünü nasıl iyileştirebileceğini değerlendirmek için EHR verileri kullanıldı.3. Ancak, EHR verilerini kullanarak klinik deneyleri taklit ederek uygunluk kriterlerinin sistematik olarak değerlendirilmesini mümkün kılan erişilebilir bir yazılım aracı eksiktir.

Liu ve meslektaşları, Trial Pathfinder adını verdikleri açık kaynaklı bir yapay zeka (AI) aracı oluşturarak bu eksikliği gideriyor. Bu araç, belirli bir onaylanmış ilaç tedavisi alan veya almayan bireylerin hayatta kalma sonuçlarını karşılaştırmak için EHR verilerini kullanabilir. Bunun gibi deneme emülasyonu, uygunluk kriterlerinin orijinal klinik araştırmaya dahil edilmesinin veya çıkarılmasının etkilerini değerlendirmek için kullanılabilir (Şekil 1). Bu, tedavinin etkinliğini ve araştırmanın kapsayıcılığı ile katılımcı güvenliği arasındaki ödünleşmeleri değerlendirerek uygunluk kriterlerinin nasıl optimize edilebileceğini anlamanın bir yolunu sunar.

Şekil 1

Şekil 1 | Klinik deneylerin tasarımının değerlendirilmesi.Uygunluk kriterleri, potansiyel deneme katılımcılarının havuzunu azaltır ve her zaman veri odaklı bir yaklaşım kullanılarak seçilmez. Liu ve diğerleri.1 Onaylı kanser tedavilerinin klinik denemeleri için uygunluk kriterlerini değerlendiren bir yapay zeka aracı sunar. Araç, klinik deneyleri taklit etmek için hasta kayıtlarından oluşan bir veri tabanını kullanarak, belirli bir klinik deneyle ilişkili bir tedavi alan ve almayanların sonuçlarını karşılaştırdı ve orijinal denemede kullanılan her bir uygunluk kriterinin etkisini değerlendirdi. aAraç, her bir kriterin hastaların genel sağkalımını nasıl etkilediğini hesapladı ve sonuç için niceliksel bir riski gösteren tehlike oranı (HR) olarak adlandırılan bir ölçümle temsil edildi. Kriter dahil etme İK’yı yükselttiyse, bu kriteri kaldırmak faydalı olacaktır. bHer uygunluk kriterinin potansiyel katılımcı sayısı üzerindeki etkisi de değerlendirildi. Yazarların çalışmasından elde edilen bu örnekler, deneme emülasyonlarına belirli uygunluk kriterlerini dahil etmenin sonuçlarını göstermektedir. Bazı kriterler (histoloji, skuamöz olmayan; ve histoloji, skuamöz) potansiyel katılımcıların sayısını azalttı ve HR üzerinde minimum istenmeyen etkilere sahipti. Diğer kriterler (bir kişinin normal olarak işlev görme yeteneğini gösteren, ECOG adı verilen bir ölçek; EGFR inhibitörü olarak adlandırılan bir tedavinin kullanımı; veya EGFR gen) potansiyel katılımcıları azalttı ve bazı denemelerin HR’sini yükseltti. Enzimlerin alanin aminotransferaz (ALT) veya aspartat aminotransferaz (AST) seviyesinin katılımcılar ve HR üzerinde minimum etkileri olmuştur.

Yazarların çalışması, Amerika Birleşik Devletleri’ndeki yaklaşık 280 kanser kliniğinde gelişmiş küçük hücreli dışı akciğer kanseri olan 61.094 kişiden alınan verileri içeren Flatiron Health EHR’den türetilmiş veritabanını kullandı. Liu ve meslektaşları, bu kanser türü için onaylanmış ilaçlar için on klinik denemeye odaklandı. Trial Pathfinder, bu gerçek dünya veri setinde orijinal denemede kullanılan uygunluk kriterlerini karşılayan kişileri belirleyerek bu denemeleri taklit etti. Tedavi bilgilerine dayanarak, bu uygun bireyler ya taklit edilen tedavi grubuna (örneğin, klinik araştırmada test edilen immünoterapiyi alanlar) ya da bir kontrol grubuna (örneğin, belirli bir standart kemoterapi alanlar) atandı. uyuşturucu madde). Her deneme için, Flatiron veritabanındaki en az 250 kişi, orijinal klinik araştırmanın tedavi veya kontrol gruplarında kullanılan uygunluk kriterlerini ve ilaç tedavilerini eşleştirdi.

Trial Pathfinder, genel sağkalım tehlike oranı olarak adlandırılan bir değeri hesaplayarak tedavi ve kontrol popülasyonlarını karşılaştırdı. Bu, ilgilenilen tedavinin, incelenen zaman çerçevesinde (bu durumda terapi başladıktan 27 ay sonra) hayatta kalan tedavi grubundaki bireylerin olasılığını etkileyip etkilemediğinin bir değerlendirmesini sağlar. Tehlike oranı ne kadar düşükse, tedavinin yararı o kadar büyük olur.

Gerçek dünya verilerinde, önyargılar, doktorların veya hastaların hastalığın ciddiyeti, prognozu ve beklenen tedavi etkisi konusundaki yargıları nedeniyle ortaya çıkabilir ve bu da hastalara tedavilerin nasıl verildiği konusunda farklılıklara neden olabilir (örneğin, daha şiddetli hastalığı olanlar genellikle A ilacını alırsa) B ilacından ziyade). Klinik çalışmalarda, randomizasyon, tedavi seçim önyargılarını ele almak için yaygın bir yaklaşımdır. Bu gerçek dünya verileri için, tedavi zaten atanmıştır ve bu nedenle randomizasyon uygulanamaz. Liu ve meslektaşları, bu endişeyi gidermek için, tedavi etkilerinin daha az taraflı tahminlerini oluşturmak için ters tedavi ağırlıklandırma olasılığı adı verilen bir teknik kullandılar.

Araç daha sonra, bazı orijinal uygunluk kriterlerinin artık dahil edilmediği deneme öykünmesinin varyasyonlarını çalıştırdı ve tehlike oranını hesapladı. Shapley değeri olarak adlandırılan bir AI ölçütü, her bir kriteri dahil etmenin tehlike oranı üzerindeki etkinin ağırlıklı ortalamasını ölçer ve bu değer, belirli uygunluk kriterlerini kullanmanın kapsayıcılık ve güvenlik üzerindeki etkisini belirlemek için kullanılmıştır.

Orijinal uygunluk kriterlerinin daha küçük bir alt kümesini seçmek için bu veriye dayalı yaklaşımı kullanmak, bu veritabanındaki uygun nüfusu ortalama olarak 1.553’ten 3.209’a yükseltirken, daha düşük bir genel hayatta kalma tehlike oranına ulaşacaktır. Örneğin sonuçlar, denemelere daha fazla kadın ve daha yaşlı yetişkinin dahil edilebileceğini gösteriyor. Orijinal on ile birlikte daha fazla denemeyi karşılaştırırken, Liu ve diğerleri. aynı tedavi sınıfındaki tedavileri inceledi. Uygunluk kriterleri, başarılı katılımı olan ve daha rahat laboratuar eşikleri (örneğin, hemoglobin gibi moleküllerin kan seviyeleri için) kullanan denemelerinkilerle uyumlu olacak şekilde standartlaştırılırsa, bunun genel olarak deneme çeşitliliğini artıracağını bulmuşlardır. .

Liu ve meslektaşları, Trial Pathfinder’ın sağlamlığını değerlendirmek için birkaç tamamlayıcı analiz kullandı. Bulguları, klinik deney öykünmesinin farklı bir son noktasını kullanırlarsa tutarlı kaldı – ilerlemesiz hayatta kalma (bir bireyin tümörü büyümez). Liu ve meslektaşları ayrıca, kolorektal kanser, ilerlemiş melanom ve metastatik meme kanseri gibi diğer kanser türlerine yönelik denemeleri analiz ettiklerinde, bir denemeye fayda sağlamayan kısıtlayıcı kriterleri de belirleyebildiler. Deneme Yol Bulucu aracı, diğer kanser türlerine sahip olanlar için deneme katılımına uygun nüfusun ortalama olarak% 53 oranında artırılabileceği ve daha az kısıtlayıcı uygunluk kriterlerine sahip olarak daha düşük bir genel hayatta kalma tehlikesi oranına ulaşılabileceği tahminini sağlar.

Yazarlar, 22 kanser tedavisi denemesinden elde edilen toksisite izleme ve değerlendirme bilgilerini analiz ettiler. Bu çalışmalarda kullanılan uygunluk kriterlerindeki farklılıklara rağmen, yazarların çalışması, yaygın olarak kullanılan bazı laboratuar testi temelli uygunluk kriterlerini değiştirmenin ve katılımcılar için toksisite riskini artırmadan uygunluk eşiklerini gevşetmenin ümit verici ve uygulanabilir olduğunu ileri sürmektedir. Bu, uygunluk kriterleri farklılıklarının izlenmesi ve bazı kriterlerin ihmal edilmesinin, advers olaylar nedeniyle bu çalışmalardan tedaviyi bırakma sayısında minimum değişiklik olması veya hiç değişiklik olmamasıyla ilişkili olduğu bulunmasıyla gösterilmiştir.

Deneme Yol Bulucu aracı, belirli uygunluk kriterlerini gevşetmenin tedavi etkinliği ve uygun popülasyonun büyüklüğü üzerindeki etkilerinin gerçek dünya ortamından geriye dönük verileri kullanarak ölçeklenebilir bir değerlendirmesini sağlar. Bu, klinik bir gerekçeye sahip iyileştirmeler yapmak için kullanılabilecek, eyleme geçirilebilir rehberlik sağlar. Ayrıca, Liu ve meslektaşlarının çalışması, araştırmacıları, deneme popülasyonlarının çeşitliliğini artırmaya ve katılımcılar için koruma önlemleri almaya çalışırken EHR verilerinin ve veriye dayalı algoritmaların kullanımını benimsemeye teşvik edecek.

Bu çalışma, klinik araştırma uygunluk kriterlerinin kanıta dayalı kesinlik tasarımında yapılan ilerlemelerin altını çizmektedir. Kanser dışındaki hastalıklar için yapılan klinik araştırmalar için yapay zekaya dayalı optimal katılımcı seçimine ilham verebilir. Bununla birlikte, bunun gerçekleşmesi için, EHR verilerinin kalitesindeki sınırlamalarla ilgili büyük zorlukların aşılması gerekecektir.

Bunlar, sonuçları değerlendirmek ve kaydetmek için kullanılan yöntemlerdeki farklılıklar nedeniyle veri karmaşıklığının bir sonucu olarak ortaya çıkan sorunları içerir (örneğin, anketlerle karşılaştırılan laboratuvar testlerinin kullanımı veya klinik gelişmeyi nicel olarak ölçmek için testlerin mevcut olup olmadığı). Diğer bir sorun da, genellikle gizli iş sırları olarak değerlendirilen tam klinik araştırma protokollerine erişimin olmamasıdır. Flatiron veritabanı dikkatlice düzenlenir ve tek tip olarak kodlanırken, diğer EHR sistemlerinden gelen veriler genellikle daha değişkendir ve farklı tamlık ve doğruluk seviyelerine sahiptir ve kullanılan veri kodlama uygulamalarında kendine özgü durumlara tabi olabilir.

Deneme Yol Bulucu, küresel açık bilim konsorsiyumu OHDSI (Gözlemsel Sağlık Veri Bilimleri ve Bilişim) tarafından önerilen klinik veri standardizasyonu için en iyi uygulamaları benimsemekten yararlanabilir. Bu, geniş çapta benimsenen OMOP (Gözlemsel Tıbbi Sonuçlar Ortaklığı) Ortak Veri Modeli standardizasyon yaklaşımı kullanılarak Trial Pathfinder ile elde edilebilir ve bu yaklaşım, çok sayıda farklı EHR verisi ile birlikte çalışabilirliğini artıracaktır.4. Sağlık hizmeti politika yapıcıları, Trial Pathfinder gibi AI araçlarının sağladığı fırsatları göz önünde bulundurmalıdır. Belki de klinik araştırma sponsorlarını tam deneme protokollerini paylaşmaya ve tam protokol ile kliniktrials.gov gibi halka açık veri havuzlarında bulunan yoğunlaştırılmış klinik araştırma özetleri arasındaki tutarlılığı artırmaya teşvik eden politikalar oluşturabilirler.

Profesör

CAR, T hücresi adaptasyonunu ince bağırsakta safra asitlerine yönlendirir

Previous article

Problem çözmede çıkarma yerine toplama tercih edilir

Next article

You may also like

Comments

Comments are closed.

More in Gündem