Bio- und Life-Science Resultate beschleunigen mit KI

Anbieter zum Thema

Expert Systems AG

Fsas Technologies GmbH

Board Deutschland GmbH

Fivetran Germany GmbH

Das Sprachverständnis der Künstliche Intelligenz (KI) kann biomedizinische Inhalte klassifizieren und extrahieren, um dadurch verwertbare Erkenntnisse zu erzielen. Beispielsweise bei der Entdeckung von Arzneimitteln, Gestaltung klinischer Studien oder der Verfolgung unerwünschter Wirkungen im Prozess der Arzneimittelsicherheit.

Herkömmliche Data Mining Tools nutzen Schlüsselwörter, um Informationen zu extrahieren, sind jedoch aber nicht in der Lage, Texte zu lesen oder Sprache zu verstehen. Infolgedessen entgehen ihnen wichtige Informationen, die nicht perfekt mit der Zielsetzung der Suche übereinstimmen.

Dies gilt insbesondere für wissenschaftliche Inhalte, bei denen ein und derselbe Begriff unterschiedliche Konzepte bezeichnen kann oder unterschiedliche Begriffe auf dasselbe Konzept verweisen können. KI-Technologien wie maschinelles Lernen (ML) und natürliches Sprachverständnis (NLU) sind dazu befähigt, das Ökosystem der modernen Medizin wesentlich zu optimieren.

Evidenzbasierte Ermittlung von Wissen

Der Prozess der Arzneimittelforschung, eine Schlüsselanwendung der evidenzbasierten Wissensermittlung, nimmt immens viel Zeit, Aufwand und Ressourcen in Anspruch. Selbst wenn ein Zielmolekül die verschiedenen Phasen des Prozesses durchläuft – von der Hypothesenbildung bis hin zu klinischen Versuchen – gibt es keine Garantie, dass daraus ein marktfähiges Arzneimittel entsteht.

Um den Prozess der Arzneimittelentdeckung zu beschleunigen, setzen die Pharmaunternehmen heute auf KI-gestützte Technologien. Beispielsweise unterstützt eine KI-Lösung von expert.ai die Forscher bei der Identifizierung von Schlüsseldaten aus einem riesigen Datenvolumen wissenschaftlicher Literatur als auch bei der Skalierung von Prozessen der Investigation von Arzneimitteln.

Die patentierte KI-Technologie von expert.ai ermöglicht eine genaue Identifizierung und Verknüpfung biomedizinischer Informationen wie Krankheiten, Medikamente, Behandlungen, Symptome, Gene, Proteine und andere Datenelemente aus einem riesigen Fundus. Das geschieht dank KI allerdings in einer Geschwindigkeit, die sonstige Verfahren oder menschliche Fähigkeiten bei weitem übersteigen.

Für den Aufbau einer geeigneten Logik entwickelte expert.ai einen Wissensgraphen, der auf Daten aus den Bereichen Bio- und Life-Science spezialisiert ist. Der Wissensgraph erlaubt die Standardisierung und Verknüpfung von Daten wie beispielsweise die Gruppierung von Krankheiten in Krankheitsfamilien oder die Identifizierung von Wirkmechanismen und Medikamentenklassen. Dabei erzielt die Tiefe und Breite des Wissensgraphen eine große Präzision, Abdeckung und Granularität bei der Kategorisierung von Dokumenten, der Extraktion aussagekräftiger Daten sowie der Verknüpfung von Informationen wissenschaftlicher Inhalte oder medizinischer Notizen in jedem Therapiebereich.

Entwurf klinischer Studien

Die Entwicklung von Arzneimitteln ist traditionell ein langer und vor allem kostspieliger Prozess. Im Durchschnitt dauert es in etwa 10 bis 15 Jahre, um ein neues Medikament auf den Markt zu bringen. Ungefähr die Hälfte dieser Zeit sowie deren Investitionen werden in den klinischen Studienphasen der Arzneimittelentwicklung verbraucht. Der Aufbau einer klinischen Landschaft für die Arzneimittelentwicklung erfordert die Erfassung, Auswertung und Verknüpfung von klinischen Studien auf der ganzen Welt. Ferner müssen die Schlüsseldaten aus halbstrukturierten bis unstrukturierten Daten extrahiert und für eine benutzerfreundliche Darstellung bzw. fundierte Entscheidungsfindung aufbereitet werden.

Klinische Studien gestatten es, das volle Potenzial der KI während des gesamten Lebenszyklus der Arzneimittelentwicklung zu nutzen, beginnend mit dem Design und der Planung, der Identifizierung von Prüfärzten und Standorten, der Rekrutierung von Patienten und der Überwachung unerwünschter Ereignisse. Zum Beispiel wertet expert.ai dazu Daten von mehr als 700.000 klinischen Studien weltweit aus. Dazu gehören unter anderem Register für klinische Studien wie clinicaltrials.gov, EUDRA, EUPAS, Register aus Japan und Australien. Die KI-Plattform des Unternehmens kümmert sich um das Mapping, die Deduplizierung und die Verknüpfung von Daten in verschiedenen Registern, um den Forschern die Nutzung der Daten zu erleichtern.

Durch den Einsatz modernster NLU- und ML-Technologien in Kombination mit Standard- und benutzerdefinierten Taxonomien kann expert.ai wichtige Begrifflichkeiten verstehen und verknüpfen, sodass Wissenschaftler die Daten identifizieren und gezielt auswählen können, die ihnen am ehesten dabei helfen, die Planung und Entwicklung ihrer klinischen Studien zu beschleunigen.

Hilfe bei der Patientenrekrutierung

Eines der wichtigsten Kriterien für die Planung und den Erfolg klinischer Studien ist die Patientenrekrutierung. Solche Informationen werden unter den Zulassungskriterien der Studie beschrieben, die in einem unstrukturierten Datenfeld detailliert aufgeführt sind.

In den Einschlusskriterien sind die wichtigsten Merkmale zur Erfüllung der anvisierten Patientenpopulation vermerkt. In den Ausschlusskriterien werden die zusätzlichen Hauptmerkmale aufgeführt, die die Studie beeinträchtigen oder das Risiko für ein ungünstiges Ergebnis oder unerwünschte Ereignisse erhöhen könnten. So ist beispielsweise das Vorhandensein von Komorbiditäten zu vermeiden, damit ein Patient für eine Rekrutierung in klinischen Studien infrage kommt.

Die Expert.ai-Technologie sorgt dafür, dass diese unstrukturierten Daten in strukturierte Informationen umgewandelt und Schlüsselattribute für ein Patientenprofil erstellt werden. Die Patientenprofile lassen sich dann als Screening-Tool verwenden, um Patientenpopulationen aus realen Daten wie elektronischen Gesundheitsakten (EHR) zu identifizieren. Darüber hinaus wird die Analyse von einer einzelnen Studie auf eine Reihe zusammenhängender Studien ausgeweitet, sodass diese Informationen für die Gestaltung von Kohorten für neue Studien verwendet werden können.

Die Expert.ai-Technologie erleichtert auch die retrospektive Analyse für das Design neuer Studien, indem sie Datenpunkte wie die Änderung der Rekrutierungszahlen und die Zeit, die für den Wechsel von einem Rekrutierungsstatus zum anderen während der Dauer der klinischen Studie benötigt wird, verfolgt.

(ID:48475670)