AI bedrijven houden ervan om gedurfde uitspraken te doen over de gezondheidszorg. alfabet Isomorf vertelt ons dat “grensverleggende AI diepere wetenschappelijke inzichten, snellere doorbraken en levensveranderende medicijnen kan ontsluiten.” Lila zet zijn AI vol vertrouwen op de markt als een hulpmiddel voor ‘snellere ontdekkingen op elk gebied dat wetenschappelijke doorbraken vereist’. En ze geven hun geld uit alsof ze de hype geloven. Anthropic heeft onlangs een stealth-startup overgenomen Bio-coëfficiënt van $400 miljoen.
Maar er is maar één echte test voor AI in de gezondheidszorg: werkt het op mensen? Creëert het een medicijn dat iemands leven redt?
En eerlijk gezegd hebben de meeste bedrijven dat nog niet bereikt. Laten we eens kijken naar het aantal behandelingen dat op de markt is gebracht. Isomorf? Die is er niet. Lila? Hetzelfde. Marketing claims in AI overleven zelden het contact met de realiteit.
Dit komt omdat het moeilijk is om echte vooruitgang te boeken in de gezondheidszorg.
Om een nieuwe behandeling te testen, moet u een klinische fase 3-studie ondergaan. Dat is meestal 10 jaar en 2 miljard dollar. Om een diagnose te testen, moet u het klinische voordeel aantonen, strenge tests door derden doorstaan en een compleet kwaliteitsmanagementsysteem opzetten, zelfs voordat uw product in de kliniek wordt toegelaten. Om nieuwe menselijke biologie te ontdekken en te bewijzen? Hiervoor zijn tientallen jaren van wetenschappelijke experimenten nodig.
SLUIT DE NACHT
Dus wat moeten we doen? De industrie moet de kloof dichten tussen waar AI-modellen worden getraind en waar de behandeling daadwerkelijk wordt gegeven.
Dat is wat de beste AI-bedrijven in het veld doen. Bedrijven als Insilico Medicine en Recursion ontwikkelen middelen die AI ontdekt door middel van klinische onderzoeken. Bij Owkin hebben we OKN4395, ons oncologiemedicijn, naar de INVOKE Fase 1a klinische studie gebracht. Daarnaast hebben we onze AI jarenlang getraind op echte patiëntgegevens en MSIntuit CRC via de Europese CE-markering in pathologiepraktijken gebracht.
Het is hard werken, maar uw AI naar patiënten brengen heeft enorme voordelen: het dwingt uw AI om beter te worden. Op basis van onze ervaring moeten we onverwachte complexe problemen overwinnen. Toen we diagnostische AI voor het eerst naar de kliniek brachten, realiseerden we ons dat het model niet goed generaliseerde naar veranderende populaties of scanneropstellingen. Wij moeten ons ontwikkelen een eenvoudige maar krachtige methode om onze modellen aan te passen aan de grillen van individuele locaties en technologieën.
VERBETER DE FEEDBACK LOOP IN REAL TIME
We vonden deze ‘reality check’ – het testen van onze modelresultaten met echte patiënten – zo belangrijk dat we deze in de structuur van ons INVOKE-onderzoek hebben opgenomen. Bij traditionele onderzoeken wordt bij het ontwerp alleen gekeken naar belangrijke indicatoren voor het succes van de proef en zullen tussentijdse resultaten bepalen of de proef succesvol was of niet. Alleen dat. Maar in tegenstelling tot traditionele onderzoeken gebruiken we doorlopende gegevens van patiëntendeelnemers om onze AI te verbeteren. Als onze AI-voorspellingen over de reactie van een patiënt niet kloppen, hebben we deze opnieuw getraind op basis van echte gegevens om de prestaties te verbeteren. Dit is een positieve feedbackloop: hoe meer informatie we krijgen uit praktijkproeven, hoe beter onze AI wordt, hoe beter deze presteert voor patiënten, hoe meer modellen we kunnen testen.
Dit is waar het veld naartoe gaat. Er zijn verschillende smaken. Sommige bedrijven nemen extra stappen op, zoals het testen van hun AI-resultaten in vitro modelsystemen (buiten het lichaam, zoals in een petrischaaltje) – maar uiteindelijk kan geen enkele medicijnontdekking, proefontwerp, diagnostische of klinische AI succesvol zijn zonder aan te tonen dat de AI-resultaten op mensen kunnen worden toegepast.
Maar niet alles hoeft uit klinische onderzoeken te komen.
MODELTRAININGSGEGEVENS KUNNEN VARIËREN
U kunt initiële modelvoorspellingen dichter bij de werkelijkheid brengen door het AI-model te trainen op rijke patiëntgegevens. Hoe gedetailleerder de beschrijving van de gegevens, hoe breder de dekking van de modaliteiten, hoe waarschijnlijker het is dat de signalen die door het model worden opgepikt reëel zijn.
Wanneer u een nieuwe, door AI gegenereerde hypothese moet testen en dit niet lukt met bestaande patiëntgegevens, kunt u zo dicht mogelijk bij de patiënt komen. in vitro. Door patiënten gegenereerde organoïden behouden bijvoorbeeld de menselijke biologische complexiteit die in laboratorium ontwikkelde cellijnen en diermodellen ontbreken, terwijl ze een schat aan klinische informatie verschaffen over de oorsprong van de patiënt.
En u kunt testen hoe het model de respons van patiënten in het wild voorspelt – buiten streng gecontroleerde testomgevingen – met echte menselijke patiënten. Hoe verschrikkelijk! Dat is het mooie van het hebben van een volledig ecosysteem. Wanneer u een model bouwt dat routinematig in de kliniek wordt gebruikt, zoals ons diagnostisch model, krijgt u een waarheidsgetrouw beeld van de sterke punten en beperkingen ervan en waar echte klinische problemen kunnen worden aangepakt.
Bij Owkin doen we al deze dingen. Het is niet gemakkelijk. Het strekt ons uit. En dit dwingt ons om echte belemmeringen bij het behandelen van patiënten onder ogen te zien.
Dit was het punt in het artikel waarop ik mijn eigen visionaire, bizarre bewering moest doen – iets dat mijn marketingteam echt in paniek bracht. Iets over hoe de toekomst voor altijd zal veranderen, over hoe dicht we bij een tijdperkbepalende verandering staan… dat soort dingen ken je wel. Maar laat ik eindigen met iets meer nuchters.
Het is gemakkelijk om enthousiast te worden over de belofte van AI. Geloof me, ik weet het zeker. Maar wat nog bevredigender is, is het zien hoe al die dromen en hoop in botsing komen met de werkelijkheid, verdampen – en zien wat er overleeft. Want dat is wat echt is.
Thomas Clozel, MD, is mede-oprichter en CEO van Owkin.
