A cura di Sofia Zompi
Revisione di Davide Di Tonno
All’interno di uno studio clinico la selezione non ottimale della coorte di pazienti e il monitoraggio inefficace costituiscono due fasi critiche in grado di influenzare pesantemente il successo del trial.
Attualmente, tali problematiche sono affrontate in massima parte ricorrendo all’intervento diretto del personale tecnico-sanitario che deve analizzare manualmente enormi moli di dati per dedurre le informazioni chiave, rispettando le tempistiche del protocollo.
I recenti successi dell’intelligenza artificiale (AI) e in particolare del “Machine Learning” (ML) con le “Deep Neural Networks” (DNN) possono rappresentare una soluzione efficace, aumentando sensibilmente i tassi di successo della sperimentazione e contemporaneamente riducendo i tempi e i costi della ricerca farmaceutica.
Le fasi critiche della ricerca clinica
La selezione del paziente
Reclutare i pazienti giusti in una sperimentazione clinica è un enorme investimento di tempo e fondi. Attualmente l’86% dei trial clinici non rispetta i tempi di arruolamento dei pazienti a causa di:
- Storia clinica del paziente non idonea
- Paziente idoneo ma che potrebbe non essere allo stadio utile della malattia o appartenere a un sub-fenotipo specifico inadatto
Inoltre, l’estrapolazione delle informazioni utili dall’anamnesi dei pazienti, fase decisiva per l’ammissione al trial, è svolta manualmente dal personale medico e comporta un rallentamento dell’intero processo.
Per analizzare automaticamente i database di ammissibilità EMR (cartella clinica elettronica) e trovare corrispondenze tra pazienti specifici e studi in reclutamento si può adottare una tecnica di “Clustering” tramite “Unsupervised Machine Learning”. Il clustering consente di individuare una struttura o un modello in una collezione di dati non classificati, identificando gruppi omogenei di individui. Le DNN Unsupervised (U-DNN) hanno consentito un notevole miglioramento delle prestazioni degli algoritmi di clustering e possono essere impiegate per identificare i pazienti idonei con un elevato grado di confidenza.
Le U-DNN hanno il vantaggio di non richiedere un addestramento preventivo. Questo ne semplifica notevolmente l’impiego in quanto non è necessario effettuare l’annotazione di ogni dato (fase particolarmente onerosa). Una U-DNN può quindi ricevere direttamente in input i dati di tutti i pazienti per raggrupparli secondo i parametri e i criteri scelti per la selezione.
Con un dataset di migliaia di pazienti potenziali e decine di informazioni per ciascuno di essi, la U-DNN riesce ad identificare gruppi con le caratteristiche simili, tra i quali quelli più adatti alla sperimentazione.
Il Monitoraggio
Durante il trial i pazienti sono tenuti a effettuare registrazioni dettagliate dell’assunzione di farmaci, delle loro funzioni corporee ed eventuali reazioni avverse. Questo può essere un compito opprimente e complicato, che porta in media il 40% di pazienti a scostarsi dal protocollo dopo 150 giorni. Per il successo dello studio, è imperativo che i pazienti non abbandonino il trial e aderiscano alle procedure e alle regole previste. Attualmente però solo il 15% degli studi clinici non registra abbandoni da parte dei pazienti.
Per semplificare il monitoraggio, possono essere utilizzati sensori indossabili per raccogliere automaticamente e continuamente i dati del paziente, possibilità particolarmente utile nel caso di pazienti con disturbi neurologici o in età avanzata. In questi casi infatti anche il monitoraggio da parte di un medico esperto o di un osservatore indipendente potrebbe non consentire una registrazione affidabile degli eventi.
I dati raccolti dai vari sensori devono essere interpretati in tempo reale per registrare e reagire all’evolversi delle condizioni del paziente. Le DNN più adatte allo scopo sono le “Long Short-Term Memory” (LSTM). Queste vengono applicate con successo alla classe di problemi in cui i dati sono disposti in una sequenza temporale, come ad esempio per i dati di borsa.
Le LSTM si adattano automaticamente ai modelli di malattia individuale e, opportunamente addestrate, riescono a fare delle previsioni sulla sequenza dei dati, fornendo tempestivamente ai medici indicazioni fondamentali sull’azione del farmaco ed eventualmente anticipando l’insorgenza di reazioni avverse.
A partire dal consistente flusso di dati grezzi prodotto dai sensori, le LSTM riescono a correlare, contestualizzare e filtrare continuamente i dati in tempo reale ed a produrre delle previsioni sulla evoluzione delle condizioni cliniche del singolo paziente.
Limiti e Prospettive future
La digitalizzazione e l’accessibilità dei dati EMR necessari per applicare le tecniche di intelligenza artificiale non sono banali. Occorrerebbe infatti disporre i dati organizzati in maniera omogenea e standardizzata. Al contrario, spesso le EMR sono tra di loro incompatibili e talvolta non sono disponibili in formato digitale. I vari regolamenti sulla privacy (GDPR e similari) limitano rigorosamente l’accesso di terze parti ai dati dei pazienti e rende persino difficile per i pazienti stessi accedere ai propri dati. Sarebbe auspicabile realizzare un archivio aperto in cui i ricercatori possono caricare i propri protocolli e pratiche, per rendere i dati disponibili per l’addestramento dei modelli di intelligenza artificiale, applicando tecniche crittografiche per preservare comunque l’identità del paziente.
In conclusione, le applicazioni indicate rappresentano un primo esempio dei possibili impieghi della Intelligenza Artificiale applicata alla Ricerca Clinica. L’integrazione della AI rappresenterà un passaggio fondamentale per migliorare e semplificare le fasi della sperimentazione a beneficio sia del paziente che delle case farmaceutiche.
Sofia Zompi
https://www.linkedin.com/in/sofiazompi
Sono una neolaureata in Biotecnologie Farmaceutiche, da sempre incuriosita dalle innovazioni tecnologiche nel campo della Ricerca Farmaceutica. Mi entusiasma la possibilità di integrare strumenti sviluppati in altri settori per individuare nuove soluzioni e prospettive future. Attualmente sto svolgendo il corso di alta formazione “Missione CRA” per entrare a far parte dell’avvincente mondo della Ricerca Clinica.
(L’articolo è stato realizzato con la collaborazione dell’Ing. Roberto Zompi, esperto nelle applicazioni dell’Intelligenza Artificiale).
