A Pill a Day: AI が製薬業界で本当にできること

これらの統計を見てください。

• Insider Intelligence による最近の調査によると、人工知能は創薬コストを最大 70% 削減できます。
• AI は、フェーズの長さを半分に短縮しながら、製薬会社が臨床研究で年間 280 億ドルを節約できます
• AI により、製薬会社は研究開発費を年間最大 540 億ドル節約できます

製薬会社が医薬品開発に必要なコストと時間を削減するために医療 AI サービスに注目するのは当然のことです。製薬市場における世界の AIは、2021 年に約 9 億 500 万ドルと評価され、2030 年までに 92 億 4,100 万ドルを超えると推定され、29.4% の CAGR で成長しています。

製薬業界で人工知能を使用することで、医薬品開発プロセスをどのように改善できるかについて、もっと知りたいと思っていますか?次に、読み続けます。

製薬業界における AI の上位 5 つのユースケース

製薬会社が技術革新者と協力して AI の展開を成功させることはよくあることです。アクセンチュアが実施した調査では、回答者の 61% がテクノロジー ベンダーとの提携後に利益が 5% 以上増加したと報告しており、製薬会社の幹部の 76% が効果的なパートナーシップを重要な成功要因として挙げています。

ここでは、薬剤学における人工知能の 5 つのトップ アプリケーションを紹介します。

創薬

議会予算局は、新薬を開発するための研究開発費は、研究と臨床試験を含めて 20 億ドルを超える可能性があると報告しています。

AI を製薬業界に導入することで、研究者は低分子ライブラリーなどの膨大なデータセットをふるいにかけたり、疾患パターンを特定したり、さまざまな生物学的標的に適した化学組成を学習したりできます。 AI は、化合物をテキスト文字列またはグラフ アーキテクチャとして生成できます。結果として得られる化合物を検証することが重要です。それらの多くは意味をなさないか、有毒である可能性があるか、または薬物の一部であってはならない成分を含んでいる可能性があるためです。

科学者は、候補組成を発見するだけでなく、AI アルゴリズムを使用して、医薬品を最適に合成し、臨床試験を設計する方法に関する医学文献を解析できます。調査によると、医薬品の人工知能は医薬品の合成とスクリーニングの時間を 50% 短縮し、製薬部門の年間費用を最大 260 億ドル節約できることが示されています。

創薬を促進するためにAI ソリューションを展開している製薬会社の多くの素晴らしい例があります。たとえば、ロンドンに本社を置く英国の製薬会社である GSK は、パンデミックの間、カリフォルニア州の Vir Biotechnology と提携し、AI とヒト遺伝子編集ツール CRISPR の助けを借りて COVID-19 抗体の発見を加速しました。 Virは、過去にさまざまな呼吸器病原体の薬を発見するために展開した抗体プラットフォームをすでに持っていました.そして今回、この共同研究で、 SARS-CoV-2 エピトープに結合して COVID-19 を中和する抗体であるsotrovimab を発見しました。

欧州と米国の協力の別の例では、フランスの製薬会社およびヘルスケア企業であるサノフィが、カリフォルニアを拠点とするバイオテクノロジーのイノベーターである Atomwise と提携して、5 つの異なる標的に対する薬物化合物を発見および合成しました。サノフィは、従来の創薬アプローチを避けたいと考え、イノベーションと AI 機能の対価として Atomwise に 2,000 万ドルを前払いしました。

臨床試験

AI は臨床試験で多くの用途があります。そのうちの 1 つは、適切な参加者候補を特定することです。この技術は、患者データ、遺伝子情報、医師のメモ、およびその他の情報を分析し、特定の試験に適格な人を選ぶことができます。 AI は、同様の試験の既存の説明に基づいて、最適な集団サイズを決定するのにも役立ちます。

臨床試験の 86% では、目標期間内に十分な数の患者を募集できません。第 III 相臨床試験の 3 分の 1 は、募集に関連する課題のために中止する必要があります。

たとえば、 IBM ワトソンは分析と自然言語処理 (NLP) を利用して患者情報を分析しています。このツールは、医師のメモなどの非構造化データを処理し、洞察に満ちた患者の概要を作成できます。臨床研究者は、これらのハイライトを使用して患者を選択し、リクルートします。

AI は製薬会社が患者を見つけるのに役立ちますが、その逆も機能します。臨床試験の患者募集プラットフォームであるAntidote は、NLP を使用してテキストを分析し、試験の包含/除外基準をスクリーニングします。患者はそのプラットフォームでいくつかの簡単な質問に答える必要があり、その人が参加できる試験のリストが提案されます。

医薬品製造

製薬業界に AI を導入すると、医薬品製造プロセスを改善する複数の機会が提供されます。このテクノロジーは次のことができます。

• 医薬品の品質管理を支援します。 AI はコンベヤー ベルト上の医薬品を検査し、破損したパッケージなどの欠陥を特定できます。さらに、この技術は、品質管理テストなどの製造データを分析することで、潜在的な問題を特定できます。たとえば、AstraZeneca は機械学習を使用して医薬品の画像を分析し、欠陥を探しています。一方、Merck は AI を適用してワクチン バイアルの問題を特定しています。

  

• 予知保全を促進します。 AI は、生産ラインの機器を監視し、機器の振動、温度、音などを測定するセンサーを通じて潜在的な欠陥を特定できます。これにより、従業員はデバイスが故障して生産が停止する前に修正する時間を確保できます。
• 材料の無駄を削減します。 AI は、エネルギー消費、原材料廃棄物、およびその他のパラメーターに関するデータを分析し、製造プロセスの改善方法に関する推奨事項を提示できます。また、この技術は需要を予測できるため、製薬メーカーは消費されずに無駄になる医薬品を大量に生産することを避けることができます。

医薬品のマーケティング

製薬部門は売上に大きく依存しています。企業は、独特のユーザー エクスペリエンスとカスタマイズされたアプローチを提供しながら、できるだけ多くの顧客にリーチすることを目指しています。製薬業界の人工知能は、次の方法で医薬品のマーケティングを促進できます。

• 過去のマーケティング キャンペーンを比較し、最も収益性の高いアプローチを特定します。このテクノロジーは、顧客エンゲージメントの戦術を分析し、最も成功した戦術を選択することもできます.
• 顧客データをリアルタイムで集約して、顧客の行動と顧客が探しているものを理解し、カスタマイズされた広告を作成します。
• 関係するすべての利害関係者と同様の医薬品に関するデータを考慮して、新薬の価格設定を最適化します。
• 需要、競合他社の行動などの変化を予測することにより、さまざまな市場シナリオをシミュレートします。これにより、製薬会社は突然の状況の変化に備えることができます。
• 既存の薬の新しい消費者を見つける。たとえば、 Pfizer は AI を利用して、チャンティックス (人々が禁煙するのを助ける薬) の新しい潜在的な顧客を見つけてリーチしました。このツールは、疾病管理予防センターからのデータを分析して、これまで利用されていなかった人口セグメントを特定しました。

薬物投与量の最適化

AI は、構造化されていない大量の患者データを分析し、特定の薬の最適な投与量を計算して、副作用を最小限に抑えながら最良の結果を得ることができます。製薬業界の人工知能モデルは、次の情報を分析できます。

• 医師のメモ、検査結果、遺伝子構成などの病歴
• 磁気共鳴画像法 (MRI) スキャンなどの医用画像
• タンパク質レベルや遺伝子変異などのバイオマーカー
• 代謝などの薬物特性
• 薬および類似薬の潜在的な副作用

最適な投与量が計算されると、テクノロジーはその有効性を監視し、必要に応じて調整を行うことができます。

実際の例を挙げると、カリフォルニアに本拠を置く企業 Dosis は、透析クリニックが慢性的な薬物摂取を管理するために使用できる、AI 駆動のパーソナライズされた投薬プラットフォームを構築しました。 Dosis の CEO である Shivrat Chhabra 氏は、HealthcareITNews とのインタビューで、このプラットフォームが患者の転帰を改善しながら、クライアントが薬物消費を 25% 削減するのに役立ったと述べました。

製薬業界に AI を実装する際の課題

これらの障害には、その分野に固有のものもあれば、より一般的で、この技術を含むすべてのプロジェクトに適用されるものもあります。主な課題の 1 つは、人工知能に関連する莫大なコストです。医薬品開発に関連する費用はすでにかなり高額であるため、これは特に困難です。経験豊富な AI コンサルタントに相談して、コストを削減しながら実行可能な製品を入手する方法を学ぶことができます。

製薬 AI の実装中に直面する可能性のあるその他の顕著な課題を次に示します。

データの質と量

McKinsey による最近の調査によると、 統合されたデータ ソースの欠如が、ヘルスケア分野で分析を適用する上での主な障害でした。

製薬 AI モデルは通常、学習するために大規模なデータセットを必要とします。ただし、各疾患、特にまれな疾患について十分なデータセットを取得することは困難です。そのため、トレーニング データセットが小さくなるにつれて、AI を利用した医薬品開発ツールが処理しなければならないデータはかなり複雑になります。患者データについて考えてみましょう。これには、履歴情報、遺伝子構成、医師のメモ、医療スキャンなどが含まれます。これらの条件下では、正確なアルゴリズムを構築することは困難です。

トレーニング データが不足している場合、一部の製薬アプリケーションでは合成データ ジェネレーターを使用できます。たとえば、 Mostly AI は、医薬品の使用に適したデータを生成できると主張しています。医療データは最も機密性の高いデータ タイプの 1 つであり、そのようなアプリケーションではプライバシーが重要です。合成データセットはこの問題を解決できます。 Mostly AI のグローバル セールス担当バイス プレジデントである Andreas Ponikiewicz 氏は次のように述べています。

AI と製薬を実験するためのデータを取得するためのもう 1 つのオプションは、専門的なコラボレーションの一部になることです。たとえば、マサチューセッツ工科大学は、医薬品の発見と合成のための機械学習コンソーシアムを開始しました。 13 の製薬会社がコンソーシアムに参加し、低分子発見のための AI アルゴリズムを設計および構築しました。

製薬アプリケーションで使用されるデータがすべて現実的であることを確認する必要があります。しかし、人間の専門家の介入が必要なため、それを検証するにはかなりの費用がかかります。

相互運用性と統一されたデータ標準の欠如

ヘルスケア IT の標準と規制はまだ複数あります。つまり、各病院は、データの保存とフォーマットについて、選択した標準を採用できます。これにより、医薬品関連の研究に必要な異なる医療施設からの患者データを統合して使用することが困難になります。

製薬業界におけるこれらの AI の問題は、政府レベルで対処することができます。たとえば、Swiss Personalized Health Network (SPHN) は、スイス政府による健康データ統合イニシアチブです。 SPHN は、スイスの病院、研究機関、規制機関の間での医療データ交換を合理化する国家インフラを構築することを目的としています。

個人レベルでは、製薬研究者は、NLP を使用して異種の電子医療記録 (EHR) システムからデータをスキャンして抽出するDeep 6 AIなどのプラットフォームから恩恵を受けることができます。

アルゴリズムバイアス

「すべてのデータには偏りがあります。これはパラノイアではありません。これは事実です。」

– スタンフォード大学の医学教授、サンジブ・ナラヤン博士。

AI を利用したモデルは、トレーニング データセットがターゲット母集団を代表していない場合、簡単に偏りを生じさせる可能性があります。データの偏りは、特に製薬およびヘルスケアの分野で問題となっています。調査によると、 FDA 承認のために提出された少数の AI 搭載製品だけが、偏見の問題をカバーする証拠を提供しています。

一部の医療専門家は、データ サイエンティストが臨床医とより緊密に連携し、アルゴリズムを構築しながらデータについてさらに学ぶことができれば、偏見を減らすのに役立つと考えています。データがどこから来たのか、データを収集する最初の目的は何だったのかなどの情報を要求できます。その後、エンジニアはアルゴリズムを微調整して、母集団の不実表示に対処できます。

アルゴリズムは、仕事で学習を続けるにつれてバイアスを獲得することもあります。したがって、すべての AI ベースのツールが適切であり、期待どおりに機能することを確認するには、体系的な監査が不可欠です。

既存システムとの統合

製薬業界に AI を導入することは、AI を既存のプラットフォームやアプリケーションと統合することを意味します。多くの製薬会社は、AI と連携したり、大量のデータを処理したりするように設計されていない、時代遅れのレガシー システムに依然依存しています。このようなシステムは独自のプロトコルを使用しており、最新のアプリケーションとの統合が困難です。

レガシー システムとともに最新のテクノロジーを使用したい製薬会社は、既存のレガシー システムにシームレスに適合するように設計されたカスタムの製薬ソフトウェア ソリューションの恩恵を受けることができます。

製薬アプリケーションの複雑さ

製薬業界における人工知能の使用例はかなり複雑であり、この技術による予測には大きな誤差の余地があります。医薬品が非常に複雑な理由は次のとおりです。

• すべての患者には個々の特徴があり、臨床試験で考慮すべき多くの要因があります。肝臓関連の問題の治療薬を開発している場合は、結果に影響を与え、影響を与える可能性のある他の健康状態のない治験参加者を見つける必要があります.
• 1 人の人がさまざまな状態を治療するために複数の薬を服用している可能性があるため、さまざまな薬間の相互作用を考慮する必要があります。
• 1 つの病状としての疾患の変動性には、いくつかのバリエーションがあり、さまざまな形で現れる可能性があります。
• 病気と治療法を説明するトレーニング データセットはバランスが取れていないため、アルゴリズムは、たとえそれが正しいものでなくても、最も頻繁に発生する解決策を推奨するように強制される可能性があります。

要約すると

Deloitte の報告によると、 私たちが知っている 7,000 の希少疾患のうち、過去数年間で何らかの進歩が見られたのはごくわずかです。そしてコンサルタント会社は、製薬業界の AI がこれを変えることができると信じています。上記のアプリケーションに加えて、 AI は製薬会社がこの分野で不可欠なコンプライアンスを達成するのに役立ちます。

この高度なテクノロジーをビジネスに取り入れたい場合は、選択したテクノロジー ベンダーとチームを組まなければならない可能性があります。また、次のことをお勧めします。

• 検証プロセスに費用がかかり、人間の専門家の介入が必要な場合でも、トレーニング データセットが現実的であることを確認してください
• AI をサイド プロジェクトとして扱うのではなく、戦略に組み込む
• 強力な AI スキルを構築するか、これを専任チームにアウトソーシングする
• データ サイエンティストと臨床医の間の緊密なコラボレーションを奨励する
• 製薬業界での AI の使用に関する最新の規制に注意してください。規制は急速に変化しています。
• AI に関連する懸念に対処するための独自の倫理的専門知識を構築し、この分野の他のプレーヤーと協力してデータを共有する場合は、プライバシーとセキュリティに特別な注意を払います
• 病気の発見、治験参加者の募集、さらには医薬品の広告など、バイアスや不正確さについてアルゴリズムのパフォーマンスを定期的に監視します。たとえば、カリフォルニア大学は、ソーシャル メディアでのメンタル ヘルス薬の広告に関する調査を実施し、AI モデルがこれらの薬をラテン系アメリカ人やアフリカ系アメリカ人の顧客に過度に推奨する傾向があることを発見しました。
• AI を使用して化学化合物を生成する場合は、常に結果を検証してください。有毒またはその他の不適切な成分が含まれる可能性があるためです。

製薬業界における人工知能の未来について言えば、 PwC は次のプレーヤーを含む新しいデジタルヘルスエコシステムの出現を予測しています。

• 個別化された治療、投薬量などを提供するソリューション ベンダー。
• AI と分析を使用して患者のニーズに対応できるオーケストレーター
• 前述のプレーヤー間を仲介するプラットフォーム プロバイダー

また、コンサルティング会社によると、AI を事業の一部にすることを依然として拒否する企業は、エコシステムの残りの部分の単なる「契約製造業者」になります。そのため、AI を使用してビジネス プロセスを強化することをまだ検討していない場合は、このテクノロジを試してみるのに適した時期に思えます。

医薬品開発と臨床試験組織の時間と費用を節約したいとお考えですか?私たちに連絡してください！ AI モデルの構築とトレーニング、およびシステムへのシームレスな統合を支援します。