Computer Vision im Gesundheitswesen: Die Zukunft klinischer Studien

Wie maschinelles Sehen klinische Studien neu erfindet.

In den letzten Jahren haben sich klinische Studien, die durch künstliche Intelligenz (KI) unterstützt werden, als wirksam erwiesen, um die finanziellen Hürden für die Zulassung neuer Therapien zu senken. Das National Robotics Engineering Center an der Carnegie Mellon University in Pennsylvania hat in Zusammenarbeit mit der Columbia University einen Computer-Vision-Algorithmus zur Überwachung von Patienten in klinischen Studien entwickelt. Das System ermöglicht die Überwachung von Kindern, bei denen eine spinale Muskelatrophie (SMA) diagnostiziert wurde, ohne dass ein Krankenhausaufenthalt oder Arztbesuche erforderlich sind.

Die Fortschritte im Bereich der Bildverarbeitung führen zu einer besseren Auswahl, Rekrutierung und Betreuung von Patienten in klinischen Studien. In diesem Artikel untersuchen wir, wie künstliche Intelligenz, insbesondere Computer Vision, die klinische Entwicklung in naher Zukunft herausfordern könnte.

Warum sind moderne klinische Studien so veraltet?

Vor 80 Jahren wurde in Großbritannien die erste kontrollierte Doppelblindstudie durchgeführt. Mehr als 1.000 Patienten reisten aus verschiedenen Teilen des Landes an, um den Forschern bei der Untersuchung der Behandlung von Erkältungen mit Patulin zu helfen. Statistiken zeigen, dass britische Büro- und Fabrikarbeiter mindestens zwei Stunden mit dem Zug oder dem Auto unterwegs waren, um den Ort zu erreichen, an dem die klinische Studie durchgeführt wurde. Die klinischen Forscher beschrieben alle Beobachtungen und dokumentierten wertvolle Informationen manuell. Es dauerte eineinhalb Jahre, um die Ergebnisse zusammenzufassen und einen Bericht über die gesammelten Daten zu erstellen.

Obwohl seit der ersten kontrollierten Doppelblindstudie fast ein Jahrhundert vergangen ist, hat die klinische Entwicklung nur relativ langsame Fortschritte bei der Verbesserung der Wirksamkeits- und Sicherheitsstandards gemacht. Auch heute noch müssen Patienten oft lange Anfahrtswege in Kauf nehmen und haben nur eingeschränkten Zugang zu Studienergebnissen. Ebenso kämpfen Unternehmen mit unzureichenden Diagnoseinstrumenten, um genaue Ergebnisse zu erhalten, und hinken aufgrund der papierbasierten Dokumentation hinterher.

Mehrere gemeinsame Muster können dabei helfen, eine klinische Studie zu identifizieren, die ein hohes Risiko des Scheiterns aufweist. Die Risikon können beispielsweise darin bestehen, dass das Medikament seine Wirksamkeit oder Sicherheit nicht nachweisen kann, dass die Studie eine große finanzielle Belastung für den Hersteller darstellt, dass die Auswahlkriterien des Studiendesigns ungenau sind oder dass nicht genügend Patienten rekrutiert werden. Diese Komplikationen führen dazu, dass die klinischen Prüfer erst nach Monaten oder gar Jahren die Ergebnisse der verschiedenen Studienphasen erhalten und die Studien gleichzeitig mit hohen finanziellen Investitionen verbunden sind. Darüber hinaus haben die Patienten keinen transparenten Zugang zu ihren klinischen Studiendaten, so dass sie diese kaum mit ihren Leistungserbringern austauschen können.

Nachfolgend ein Beispiel für einen herkömmlichen Ansatz für klinische Prüfungen.Abbildung 1: Herkömmliche klinische Entwicklung nach dem Deloitte Centre for Health Solutions

Wie diese Infografik zeigt, dauert die klinische Entwicklung in der Regel Jahre, und nur 33 % der Produkte sind sicher und wirksam genug, um in die dritte Phase überzugehen.

Eine aktuelle Studie zeigt, dass die Markteinführung eines neuen Medikaments durchschnittlich 1,5 bis 2,0 Milliarden Dollar kostet und bis zu 10-15 Jahre dauert. Und trotz der zunehmenden Digitalisierung in der Arzneimittelentwicklung stehen die Biopharmaunternehmen immer noch vor zahlreichen großen Herausforderungen. Wie ein weiterer Deloitte-Bericht zeigt, werden klinische Studien häufig wegen mangelnder Patientenbeteiligung abgebrochen. 30 Prozent der Studien werden mangels Teilnehmern abgebrochen. Zum einen bremst die unzureichende Digitalisierung klinischer Studien den Fortschritt in der Arzneimittelentwicklung. Zum anderen ist die mangelnde Beteiligung auf die schlechte Qualität der Erfahrungen zurückzuführen, die Menschen in den verschiedenen Phasen der Arzneimittelentwicklung machen. Hier kommt Computer Vision ins Spiel – eine Technologie der künstlichen Intelligenz, die das Potenzial hat, die Strategien zur Analyse visuellen Inputs in klinischen Studien zu verbessern.

Entdecken Sie, wie künstliche Intelligenz und maschinelles Lernen die Arzneimittelsicherheit revolutionieren. [Entdecken Sie mehr]

Wie kann “maschinelles Sehen” die Arzneimittelentwicklung voranbringen?

Zu den wichtigsten Vorteilen des Einsatzes maschineller Bildverarbeitung in der Medizin gehören die Steigerung der Effizienz medizinischer Verfahren, die automatische Erstellung medizinischer Berichte und die Erstellung interaktiver medizinischer Bilder. Unabhängig davon, ob man sich für den Einsatz von maschineller Bildverarbeitung in Kombination mit Deep Learning (DL), maschinellem Lernen (ML) oder natürlicher Sprachverarbeitung (NLP) entscheidet, gibt es auch die Möglichkeit, maschinelle Bildverarbeitung allein für die klinische Überwachung einzusetzen. Beide Ansätze können zu einer besseren Patientenidentifikation, einer präziseren und effizienteren Bildanalyse oder einer höheren Arzneimittelsicherheit führen.

So hat das US-amerikanische Unternehmen AI Cure kürzlich eine mobile Anwendung zur Überwachung von Patienten während ihrer Behandlung vorgestellt. Durch die Kombination von Spitzentechnologien in den Bereichen Computer Vision, DL und ML soll dieses Tool die Risiken in der klinischen Forschung verringern. Die Algorithmen ermöglichen es den Forschern, die Einhaltung der verordneten Behandlung und das Wohlbefinden der Patienten zu überwachen, indem visuelle und akustische Signale direkt über die Kamera des Smartphones des Patienten erfasst und analysiert werden. Die automatisierte Überwachung zu Hause ist wesentlich kostengünstiger als Krankenhausaufenthalte oder Arztbesuche.

Darüber hinaus trägt die computergestützte Bildverarbeitung dazu bei, die Patientenbindung zu erhöhen und damit einen der größten Kostenfaktoren klinischer Studien zu reduzieren. Im Folgenden wird eine Reihe von Faktoren aufgeführt, die die Kosten klinischer Studien beeinflussen.

Abbildung 2: Kostentreiber in klinischen Studien des Deloitte Centre for Health Solutions

Durch die Verbesserung der Patientenerfahrung kann Computer Vision im Gesundheitswesen die Bindung von Studienteilnehmern beschleunigen und die Notwendigkeit der Rekrutierung und Bindung von Prüfzentren eliminieren.

Einführung von maschineller Bildverarbeitung: Schlüsselfragen für Ihr Unternehmen

Der Einsatz von maschineller Bildverarbeitung zur Verbesserung der Effizienz klinischer Studien ist für biopharmazeutische Unternehmen zu einem entscheidenden Geschäftsfaktor geworden. Der Einsatz von KI-basierter Technologie ist jedoch nach wie vor ein komplexer Prozess, der Talent und Fähigkeiten zur Integration neuer Datenumgebungen erfordert. Im Folgenden finden Sie eine Liste von Fragen, die jedes Pharmaunternehmen vor der Implementierung von maschineller Bildverarbeitung berücksichtigen sollte.

1. Welche der verfügbaren Bildverarbeitungslösungen erfüllen die Anforderungen Ihres Unternehmens? Achten Sie bei der Auswahl der richtigen Lösungsarchitektur für Ihr Projekt auf die Leistungsfähigkeit und stellen Sie sicher, dass Sie Unterstützung von der Expertengemeinschaft erhalten.
2. Verfügt Ihr Unternehmen über die Fähigkeiten und Talente, um von den neuen Technologien zu profitieren? Der Einsatz maschineller Bildverarbeitung kann es erforderlich machen, dass Ihr Unternehmen neue Teams bildet, in denen Datenwissenschaftler, Experten für maschinelles Sehen, Biologen, Chemiker oder Ingenieure zusammenarbeiten, um die Grenzen der Arzneimittelentwicklung zu überwinden. Die größte Herausforderung besteht darin, die Kreativität und Flexibilität dieser Spezialisten zu fördern und eine offene und transparente interne Kommunikation zu gewährleisten.
3. Welche Möglichkeiten hat Ihr Unternehmen für externe Partnerschaften im Bereich Computer Vision? Die Zusammenarbeit mit vertrauenswürdigen und zuverlässigen Experten aus der Technologiebranche ist der Schlüssel zu vielen Entdeckungen auf dem Weg zur Digitalisierung klinischer Studien.
4. Wie werden Sie auf die disruptiven Technologien reagieren, die in der Arzneimittelentwicklung entstehen? Technologiegiganten sind bestrebt, massiv in klinische Studien zu investieren, was sie auf Kollisionskurs mit Big Pharma bringt, wie Pharmaceutical Technology betont. Aus Sicht der biopharmazeutischen Unternehmen können die großen Technologieunternehmen sowohl als Bedrohung als auch als Chance gesehen werden. Plant Ihr Unternehmen neue Partnerschaften? Eine klare Strategie für zukünftige klinische Studien in einem hart umkämpften Markt kann Ihrem Unternehmen helfen, eine technologieorientierte Kultur aufzubauen, die seinen Wettbewerbsvorteil stärkt.
5. Sieht Ihr Unternehmen im Einsatz von maschineller Bildverarbeitung einen strategischen Vorteil bei der Einhaltung regulatorischer Anforderungen? KI-basierte Technologien können schnellere behördliche Genehmigungen ermöglichen, aber dieser Prozess erfordert, dass Ihr Unternehmen die Prozesse transparent hält. Ihr Unternehmen wird wahrscheinlich Data Science- und KI-Tools in seinen Betrieb integrieren und dabei die relevanten Regeln und Vorschriften im Auge behalten. Ein datengestützter Ansatz verringert die hohen Ausfallraten von Studien und führt zu einer verbesserten Patientenerfahrung und einem früheren Zugang zu Behandlungen.

Die Antworten auf diese Fragen können als Grundlage für den Patientenpfad dienen, den Ihr Unternehmen anbietet. Sie können sich auch vorstellen, dass sich die zukünftige Strategie für KI-gestützte Technologien auf diese drei Schlüsselfaktoren konzentriert: Prozesse, Technologie und Ökosysteme.Abbildung 3. Verbesserung der Patientenreise durch Priorisierung von Prozessen, Technologie und Ökosystemen, wie in einem Bericht von Deloitte Consulting LLP hervorgehoben

Ihr Unternehmen kann damit beginnen, klinische Studienprozesse neu zu gestalten, während es gleichzeitig visuelle Daten sammelt und neue Ökosysteme für fortschrittliches Datenmanagement aufbaut. Maschinelles Sehen im Gesundheitswesen kann auch den Übergang zu anderen KI-Technologien, einschließlich ML, bilden.

Auf dem Weg in die Zukunft

Kann maschinelles Sehen im Gesundheitswesen zu messbar schnelleren Entwicklungszeiten und geringeren Kosten führen? Es scheint, dass KI-Technologien das Potenzial haben, die klinische Entwicklung entscheidend zu verbessern. Computer Vision durchbricht Barrieren in klinischen Studien, schafft neue Möglichkeiten und verändert veraltete und ineffiziente Praktiken. Die Digitalisierung klinischer Studien wird jedoch unweigerlich eine neue Herangehensweise an die Zusammenarbeit mit Patienten und die Analyse der ständig wachsenden Datenmengen erfordern.

Möchten Sie mehr erfahren? Entdecken Sie in unserem Portfolio weitere Möglichkeiten, wie Sie den Einsatz von KI strategisch für das Wachstum Ihres Unternehmens nutzen können.