用更快的AI驅動決策重新思考臨牀試驗

藥物開發仍然是生命科學領域資本最密集的活動之一。2021年發表在《臨牀與轉化科學》上的一項同行評審研究發現，從臨牀試驗開始到上市批准，候選藥物的成功率約為10-20%，且數十年來沒有顯著變化。另一項發表在JAMA上的分析表明，III期試驗由於患者入組人數更多、試驗持續時間更長，佔據了臨牀開發成本的最大份額。許多成本源於基於碎片化證據的決策——基於有限早期數據的選擇劑量、孤立評估的安全信號，以及在大型試驗已經開始後才瞭解的患者變異性。

在一次對話中，Emerj的Matthew DeMello與諾華公司PK科學與腫瘤學全球負責人Shefali Kakar討論了AI如何通過更早地明確項目可行性和更精確地理解真實患者影響來改變藥物開發。Kakar擁有近二十年的諾華工作經驗，並在輝瑞擔任過高級首席科學家，她領導全球PK科學和腫瘤學團隊，推動臨牀藥理學和劑量優化策略。

加速開發決策以改善資本重點

Kakar首先強調了傳統藥物開發中緩慢的順序決策模式與AI驅動的集成證據方法之間的對比。歷史上，團隊逐步推進劑量和項目決策，每個階段等待前一階段結束，並依賴狹窄的數據片段。這種結構往往迫使組織在未完全瞭解可行性的情況下投入資本。AI建模改變了這一格局。通過集成建模，團隊可以跨研究評估證據，更早地識別可行劑量策略。Kakar舉了一個例子：一個適度數據集上的集成建模揭示了一種劑量無論每天一次還是每天兩次（總劑量相同）都產生相同的療效，而這一點在大型III期試驗中並未被研究。她指出：“這種答案只有在不將劑量視為每個階段的固定選擇，而是將其視為整個證據庫的連續體時才能獲得。”這種能力使團隊能夠更早地做出繼續/終止決策，並將資本集中在最有前景的候選藥物上。

加深患者洞察以強化項目設計

Kakar反覆強調的一個主題是，傳統上團隊對影響藥物暴露的患者層面因素知之甚少。組織通常從小的、獨立的損傷隊列中工作，這些隊列從未被設計來揭示腎臟或肝臟功能如何顯著改變反應。結果不僅是學習緩慢，而且是碎片化的學習，每個研究只提供真實患者狀況的部分畫面。AI建模通過彙集大型III期試驗的患者數據，可以檢查特定協變量如何影響暴露或不良事件，而無需運行單獨的子研究。Kakar描述了這種轉變如何改變實際劑量決策：“過去，我們會運行一個單獨的研究來了解腎臟損傷如何影響藥物暴露。現在，我們可以直接在第III期試驗中嵌入這個問題——觀察已入組的患者，檢查他們的腎功能如何與暴露或不良事件相關，並利用這些信息確定是否需要調整劑量。過去需要自己的隊列，現在來自我們已經擁有的數據。”這種集成建模提供了對不同患者羣體反應的更早了解，並在差異成為後期意外前調整劑量或監測預期。

對於企業團隊來説，Kakar描述的模式——更早的劑量可行性明確、更少的大規模確證試驗、以及跨階段重新審視假設的能力——自然導致更快的繼續/終止決策和更緊密的資本與最強證據機會的對齊。