Inteligência Artificial: Abordando os Maiores Desafios dos Ensaios Clínicos

A medicina moderna é uma maravilha, com curas e tratamentos anteriormente inimagináveis agora amplamente disponíveis. Pense em dispositivos médicos avançados, como desfibriladores implantáveis que ajudam a regular o ritmo cardíaco e reduzir o risco de parada cardíaca.

Tais avanços não teriam sido possíveis sem os ensaios clínicos – a pesquisa rigorosa que avalia os efeitos de intervenções médicas em participantes humanos.

Infelizmente, o processo de ensaios clínicos se tornou mais lento e caro com o tempo. Na verdade, apenas um em cada sete medicamentos que entram na fase I de testes – a primeira etapa de testes de segurança – são eventualmente aprovados. Atualmente, leva, em média, quase um bilhão de dólares em financiamento e uma década de trabalho para trazer um novo produto medicinal ao mercado.

Metade desse tempo e dinheiro é gasto em ensaios clínicos, que enfrentam obstáculos crescentes, incluindo ineficiências de recrutamento, diversidade limitada e inacessibilidade de pacientes. Consequentemente, a descoberta de medicamentos desacelera e os custos continuam a aumentar. Felizmente, os recentes avanços em Inteligência Artificial têm o potencial de quebrar a tendência e transformar o desenvolvimento de medicamentos para melhor.

Desde modelos que preveem interações de proteínas complexas com precisão notável, até assistentes de laboratório alimentados por IA que simplificam tarefas rotineiras, a inovação impulsionada por IA já está redefinindo o cenário farmacêutico. A adoção de novas capacidades de IA para abordar as barreiras dos ensaios clínicos pode aprimorar o processo de ensaios para pacientes, médicos e BioPharma, abrindo caminho para novos medicamentos impactantes e possivelmente melhores resultados de saúde para os pacientes.

Barreiras ao Desenvolvimento de Medicamentos

Medicamentos em desenvolvimento enfrentam numerosos desafios ao longo do processo de ensaios clínicos, resultando em taxas de aprovação alarmantemente baixas por parte de órgãos reguladores como a FDA dos EUA. Como resultado, muitos medicamentos experimentais nunca chegam ao mercado. Os principais desafios incluem reveses no design de ensaios, baixo recrutamento de pacientes e limitada acessibilidade e diversidade de pacientes – questões que se somam e impedem o progresso e a equidade no desenvolvimento de medicamentos.

1. Desafios na Seleção de Locais de Ensaios

O sucesso de um ensaio clínico depende em grande parte de se os locais de ensaio – geralmente hospitais ou centros de pesquisa – podem recrutar e inscrever uma população de estudo suficiente e elegível. A seleção de locais é tradicionalmente baseada em vários fatores sobrepostos, incluindo desempenho histórico em ensaios anteriores, população e demografia local, capacidades e infraestrutura de pesquisa, pessoal de pesquisa disponível, duração do período de recrutamento e mais.

Por si só, cada critério é bastante direto, mas o processo de coletar dados sobre cada um está repleto de desafios e os resultados podem não indicar de forma confiável se o local é apropriado para o ensaio. Em alguns casos, os dados podem ser simplesmente desatualizados ou incompletos, especialmente se validados em apenas uma pequena amostra de estudos.

Os dados que ajudam a determinar a seleção de locais também vêm de diferentes fontes, como bancos de dados internos, serviços de assinatura, fornecedores ou Organizações de Pesquisa Contratada, que fornecem serviços de gerenciamento de ensaios clínicos. Com tantos fatores convergentes, agregar e avaliar essas informações pode ser confuso e confundir, o que em alguns casos pode levar a decisões subótimas sobre locais de ensaios. Como resultado, os patrocinadores – as organizações que realizam o ensaio clínico – podem superestimar ou subestimar sua capacidade de recrutar pacientes em ensaios, levando a recursos desperdiçados, atrasos e taxas de retenção baixas.

Então, como a IA pode ajudar a curar a seleção de locais de ensaio?

Treinando modelos de IA com dados históricos e em tempo real de locais potenciais, os patrocinadores de ensaios podem prever taxas de inscrição de pacientes e o desempenho de um local – otimizando a alocação de locais, reduzindo a super ou subinscrição e melhorando a eficiência e o custo geral. Esses modelos também podem classificar locais potenciais identificando a melhor combinação de atributos e fatores de local que se alinham com os objetivos do estudo e as estratégias de recrutamento.

Modelos de IA treinados com uma mistura de metadados de ensaios clínicos, dados de reivindicações médicas e farmacêuticas e dados de pacientes de serviços de membros (cuidados primários) também podem ajudar a identificar locais de ensaios clínicos que fornecerão acesso a populações de pacientes diversificadas e relevantes. Esses locais podem ser centralizados para grupos subrepresentados ou até mesmo ocorrer em locais populares da comunidade, como lojas de barbeiro, centros comunitários ou centros religiosos, ajudando a abordar tanto as barreiras de acessibilidade de pacientes quanto a falta de diversidade.

2. Baixo Recrutamento de Pacientes

O recrutamento de pacientes permanece um dos principais gargalos nos ensaios clínicos, consumindo até um terço da duração do estudo. Na verdade, um em cada cinco ensaios falha em recrutar o número necessário de participantes. À medida que os ensaios se tornam mais complexos – com mais pontos de contato com os pacientes, critérios de inclusão e exclusão mais rigorosos e projetos de estudo cada vez mais sofisticados – os desafios de recrutamento continuam a crescer. Não é surpreendente que pesquisas vinculem o aumento da complexidade do protocolo a taxas decrescentes de inscrição e retenção de pacientes.

Além disso, critérios de elegibilidade estritos e frequentemente complexos, projetados para garantir a segurança do participante e a integridade do estudo, limitam o acesso ao tratamento e excluem desproporcionalmente certas populações de pacientes, incluindo adultos mais velhos e minorias raciais, étnicas e de gênero. Nos ensaios de oncologia sozinhos, estima-se que 17–21% dos pacientes não conseguem se inscrever devido a requisitos de elegibilidade restritivos.

A IA está prestes a otimizar os critérios de elegibilidade de pacientes e o recrutamento. Embora o recrutamento tenha tradicionalmente exigido que os médicos revisem manualmente os pacientes – o que é incrivelmente demorado – a IA pode eficientemente e de forma eficaz combinar perfis de pacientes com ensaios adequados.

Por exemplo, algoritmos de aprendizado de máquina podem identificar automaticamente padrões significativos em grandes conjuntos de dados, como registros eletrônicos de saúde e literatura médica, para melhorar a eficiência do recrutamento de pacientes. Pesquisadores desenvolveram até uma ferramenta que usa grandes modelos de linguagem para revisar rapidamente candidatos em larga escala e ajudar a prever a elegibilidade do paciente, reduzindo o tempo de triagem do paciente em mais de 40%.

Empresas de healthtech que adotam a IA também estão desenvolvendo ferramentas que ajudam os médicos a determinar rapidamente e com precisão quais ensaios são elegíveis para os pacientes. Isso apoia a aceleração do recrutamento, permitindo que os ensaios comecem mais cedo e, portanto, forneçam aos pacientes um acesso mais precoce a novos tratamentos experimentais.

3. Acessibilidade de Pacientes e Diversidade Limitada

A IA pode desempenhar um papel crítico na melhoria do acesso a ensaios clínicos, especialmente para pacientes de grupos demográficos subrepresentados. Isso é importante, pois a inacessibilidade e a diversidade limitada não apenas contribuem para taxas de recrutamento e retenção de pacientes baixas, mas também levam ao desenvolvimento de medicamentos injusto.

Considere que os locais de ensaios clínicos estão geralmente concentrados em áreas urbanas e centros acadêmicos grandes. O resultado é que comunidades em áreas rurais ou subatendidas frequentemente não conseguem acessar esses ensaios. Cargas financeiras, como custos de tratamento, transporte, cuidados com os filhos e o custo de faltar ao trabalho, compõem as barreiras à participação no ensaio e são mais pronunciadas em minorias étnicas e raciais e grupos com status socioeconômico abaixo da média.

Como resultado, grupos minoritários raciais e étnicos representam apenas 2% dos pacientes nos ensaios clínicos dos EUA, apesar de comporem 39% da população nacional. Essa falta de diversidade apresenta um risco significativo em relação à genética, que varia entre populações raciais e étnicas e pode influenciar respostas adversas a medicamentos. Por exemplo, asiáticos, latinos e afro-americanos com fibrilação atrial (ritmos cardíacos anormais relacionados a complicações cardíacas) que tomam varfarina, um medicamento que previne coágulos sanguíneos, têm um risco maior de sangramento cerebral em comparação com aqueles de ascendência europeia.

Uma maior representação nos ensaios clínicos é, portanto, essencial para ajudar os pesquisadores a desenvolver tratamentos que sejam tanto eficazes quanto seguros para populações diversificadas, garantindo que os avanços médicos beneficiem todos – e não apenas grupos demográficos selecionados.

A IA pode ajudar os patrocinadores de ensaios clínicos a enfrentar esses desafios facilitando ensaios descentralizados – transferindo as atividades do ensaio para locais remotos e alternativos, em vez de coletar dados em um local tradicional de ensaio clínico.

Ensaios descentralizados frequentemente utilizam dispositivos wearables, que coletam dados digitalmente e usam análises impulsionadas por IA para resumir informações relevantes e anonimizadas sobre os participantes do ensaio. Combinado com check-ins eletrônicos, essa abordagem híbrida para a realização de ensaios clínicos pode eliminar barreiras geográficas e encargos de transporte, tornando os ensaios acessíveis a uma gama mais ampla de pacientes.

Ensaios Mais Inteligentes Fazem Tratamentos Mais Inteligentes

Os ensaios clínicos são mais um setor que está prestes a ser transformado pela IA. Com sua capacidade de analisar grandes conjuntos de dados, identificar padrões e automatizar processos, a IA pode fornecer soluções holísticas e robustas para os obstáculos de hoje – otimizando o design de ensaios, aprimorando a diversidade de pacientes, simplificando o recrutamento e a retenção e quebrando barreiras de acessibilidade.

Se a indústria de saúde continuar a adotar soluções impulsionadas por IA, o futuro dos ensaios clínicos tem o potencial de se tornar mais inclusivo, centrado no paciente e inovador. Abraçar essas tecnologias não é apenas sobre acompanhar as tendências modernas – é sobre criar um ecossistema de pesquisa clínica que acelera o desenvolvimento de medicamentos e entrega resultados de saúde mais equitativos para todos.