Saúde

Como o aprendizado de máquina pode ajudar a testes clínicos à prova de futuro na era do COVID-19
Os avanços no aprendizado de máquina estão proporcionando uma oportunidade de adaptar os testes clínicos e estabelecer as bases para testes clínicos mais inteligentes, rápidos e flexíveis no futuro.
Por Cambridge - 23/09/2020


Coronavírus
Crédito: Imagem de PIRO4D da Pixabay

A pandemia COVID-19 é a maior crise global de saúde de nossa geração, apresentando enormes desafios à pesquisa médica, incluindo ensaios clínicos. Os avanços no aprendizado de máquina estão proporcionando uma oportunidade de adaptar os testes clínicos e estabelecer as bases para testes clínicos mais inteligentes, rápidos e flexíveis no futuro.

"É minha esperança que o aprendizado de máquina não apenas melhore a execução e avaliação dos ensaios clínicos na era COVID-19, mas também muito além disso""

Mihaela van der Schaar

Em um artigo publicado na Statistics in Biopharmaceutical Research , uma colaboração internacional de cientistas de dados e especialistas da indústria farmacêutica - liderada pelo Diretor do Centro de Cambridge para IA em Medicina , Professora Mihaela van der Schaar da Universidade de Cambridge - descreve o impacto que o COVID -19 está tendo testes clínicos e revela como as abordagens de aprendizado de máquina (ML) mais recentes podem ajudar a superar os desafios que a pandemia apresenta.

O documento cobre três áreas de ensaios clínicos em que o ML pode fazer contribuições: em ensaios para reaproveitar medicamentos para tratar COVID-19, ensaios de novos medicamentos para tratar COVID-19 e ensaios clínicos em andamento para medicamentos não relacionados ao COVID-19.

A equipe, que inclui cientistas de empresas farmacêuticas como a Novartis, observa que 'a pandemia oferece uma oportunidade de aplicar novas abordagens que podem ser usadas nesta situação desafiadora'. Eles destacam os últimos avanços na aprendizagem por reforço, inferência causal e abordagens bayesianas aplicadas a dados de ensaios clínicos.

Os pesquisadores consideraram importante apresentar o estado da arte atual em ML e sinalizar como eles usaram o ML não só para enfrentar os desafios apresentados pelo COVID-19, mas também para levar os ensaios clínicos em geral para o próximo nível, tornando-os mais eficientes. robusto e flexível.

Em seu artigo, os pesquisadores afirmam que COVID-19 é:

Reduzir a capacidade / vontade dos sujeitos do estudo e da equipe de acessar locais clínicos, interrompendo a coleta de dados oportuna ou necessitando de uma mudança para a coleta de dados virtual.

Em algumas situações, causando atrasos ou suspensão total dos ensaios clínicos.

Revelar como a abordagem padrão aos ensaios clínicos - ensaios controlados randomizados demorados e inflexíveis em fases distintas do ensaio - é ineficiente e insuficiente em uma crise como esta.

No entanto, eles dizem que o aprendizado de máquina pode:

Apoio na criação de grupos de controle 'virtuais'. Ao integrar dados entre hospitais, os métodos baseados em dados podem identificar pacientes que receberam tratamentos padrão, mas são semelhantes aos pacientes que receberam tratamentos experimentais.

Extraia conhecimento dos dados de ensaios clínicos suspensos como resultado da pandemia para ajustar os elementos de design, como planos de recrutamento, tamanhos de amostra e alocações de tratamento.

Melhorar o desenho, execução e avaliação de grandes ensaios clínicos adaptativos para avaliar medicamentos reaproveitados para COVID-19. Ensaios como Solidariedade (OMS 2020) e RECUPERAÇÃO (Oxford 2020), que estão em andamento, recrutam pacientes em uma infinidade de locais designados aleatoriamente nos braços de tratamento disponíveis.

Desempenham um papel importante na descoberta de padrões e assinaturas no comportamento biomolecular do COVID-19, facilitando a identificação e reaproveitamento de medicamentos existentes, bem como validando, in silico, se novos medicamentos podem ser eficazes.

Explorar o grande corpo de dados gerados pelo uso experimental e compassivo de drogas para tratar COVID-19 para selecionar o futuro alvo de drogas para futuros ensaios clínicos. Os métodos de ML para inferência causal de dados observacionais são especialmente adequados para essa tarefa.

Quebre o paradigma multifásico dos RCTs padrão e converta o processo de teste em um ciclo de coleta-nova tentativa mais eficiente, contínuo e adaptativo. Use metodologias de ML para aprender simultaneamente sobre a toxicidade e a eficácia de um novo medicamento, reduzindo o tempo de aprendizado, tornando-o particularmente útil para ensaios clínicos urgentes de tratamentos COVID-19.

“A pandemia de coronavírus representa o maior desafio global de saúde de nossa geração”, disse van der Schaar. “Agora, e no futuro imediato, a necessidade é identificar, aprovar e distribuir tratamentos e vacinas para o COVID-19. Nosso trabalho recente em aprendizado de máquina para testes clínicos tem se mostrado uma promessa enorme. E embora muitas das questões técnicas discutidas em nosso artigo sejam particularmente agudas no contexto de uma pandemia, elas também são altamente relevantes para a prática clínica contínua. É minha esperança que o aprendizado de máquina não apenas melhore a execução e avaliação dos ensaios clínicos na era COVID-19, mas também muito além disso. ”

“A inteligência artificial já está causando um impacto significativo em várias áreas da medicina”, disse o co-autor, o professor Frank Bretz, da Novartis. “Os algoritmos de aprendizado de máquina provaram ser equivalentes ou superiores aos médicos especialistas na interpretação de imagens e slides de raios-X e ressonância magnética, por exemplo. Este novo trabalho visa preencher a lacuna entre a comunidade de aprendizado de máquina e os cientistas de dados que estão envolvidos em ensaios clínicos que são afetados ou relacionados ao COVID-19. A adoção desses novos métodos é crítica para a indústria farmacêutica, muito além da atual pandemia. O que aprendemos neste esforço trará benefícios que afetam todo o curso futuro do desenvolvimento de medicamentos e mudam a vida dos pacientes em todo o mundo. ”

 

.
.

Leia mais a seguir