--- title: "Predictive Enrichment in klinischen Studien" language: "de" type: "post" original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/blog/2022/01/10/predicitive-enrichment-in-klinischen-studien/" human_version: "../../../../../mensch/blog/2022/01/10/predicitive-enrichment-in-klinischen-studien/" date: "2022-01-10" section: "Review-Artikel" categories: ["Automatisierung von Prozessen", "Big Data", "Forschung", "KI", "Machine Learning", "personalisierte Medizin", "Pharma"] author: "Jonathan Koß" reading_time: "7 Min." description: "Wie kann künstliche Intelligenz eingesetzt werden, um den Wirksamkeitsnachweis in klinischen Studien zu erhöhen?" publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke" --- # Predictive Enrichment in klinischen Studien *10.01.2022 · Review-Artikel · Von Jonathan Koß* Im Durchschnitt dauert der Markteintritt eines neuen Medikaments 10 bis 15 Jahre. Dabei entstehen durchschnittlich Kosten von 1,5 bis 2,0 Milliarden US-Dollar für ein pharmazeutisches Unternehmen (1). Insgesamt machen die R&D Kosten rund 34 Prozent der Gesamtkosten aus (2). Obwohl Pharma- und Biotechnologieunternehmen ihre F&E-Investitionen seit Jahrzehnten kontinuierlich erhöht haben, hat sich die Zahl der neuen Medikamente, die pro ausgegebener Milliarde USD zugelassen werden, etwa alle neun Jahre halbiert (3). In 2010 waren es beispielsweise 0,8 zugelassene Medikamente pro 1 Milliarde F&E Investitionen (3). Dieser Trend stellt eine ernsthafte Bedrohung für das bestehende Geschäftsmodell von forschenden pharmazeutischen Unternehmen dar (3). Eine der größten Herausforderungen der Arzneimittelentwicklung ist die hohe Misserfolgsquote bei klinischen Studien (1). Weniger als ein Drittel aller Phase-II-Präparate schaffen es in die Phase III. Mehr als ein Drittel aller Phase-III-Präparate schaffen es nicht bis zur Zulassung (1). Einer der Schlüsselfaktoren für das Scheitern einer klinischen Studie ist die Auswahl einer geeigneten Patientenkohorte. Wie kann der Einsatz künstlicher Intelligenz (KI) die Patientenselektion unterstützen? ### **Strategien zur Reduktion des wirtschaftlichen Risikos** Eine grundlegende Strategie, um die Erfolgswahrscheinlichkeit einer klinischen Studie zu erhöhen, ist die optimierte Zusammensetzung der Patientenkohorte: Klinische Studien sind in der Regel nicht darauf ausgelegt, die Wirksamkeit einer Behandlung in einer Stichprobe der Allgemeinbevölkerung nachzuweisen (1). Vielmehr zielen sie darauf ab, eine Subpopulation der Bevölkerung einzuschließen, in der die Wirkung des Arzneimittels, sofern vorhanden, leichter nachgewiesen werden kann (1). Beispielsweise ist es vorteilhaft Patienten einzuschließen, die mit größerer Wahrscheinlichkeit einen messbaren klinischen Endpunkt haben, beispielsweise einer Verlängerung der Fünf-Jahres-Überlebensrate im Kontext onkologischer Erkrankungen. Predictive Enrichment (PE) ist eine Möglichkeit, die Auswahl geeigneter Patienten durchzuführen (1, 4). Die Auswahl der Patienten erfolgt hierbei aufgrund einer bestimmten Patientenphysiologie, einem Biomarker oder einem Krankheitsmerkmal, das mit dem Wirkmechanismus des Studienmedikaments zusammenhängt (1, 4). ### **KI gestütztes Predictive Einrichment im Kontext von Klinische Phase-III-Studien** Im Kontext von PE geht es somit im Grunde um ein dichotomes Klassifikationsproblem – ein Patient kann geeignet oder ungeeignet sein – aufgrund bestimmter Merkmale. Eine solche Problemstellung kann von supervised Machine Learning (ML) Algorithmen abgebildet werden (5). Beispielsweise nutzen Baecher et al. supervised ML Algorithmen, um die zu erwartenden Outcomes einzelner Studienteilnehmer in klinischen Studien für Prostatakrebs vorab zu schätzen und dadurch geeignete und ungeeignete Patienten zu unterscheiden (6). Als Datengrundlage, um den Algorithmus zu trainieren, nutzen die Autoren drei bestehende Datensets aus bereits durchgeführten klinischen Studien mit ähnlichen Studiendesigns. Diese Datensets erhalten Informationen über bestimmte Patientenmerkmale und die Wirksamkeit des Arzneimittels (Outcome) (6). Das Outcome ist in diesem Fall der prostataspezifische Antigen (PSA) -Wert des Probanden, weil es sich in diesem Fall um eine klinische Studie im Bereich Prostatakrebs handelt. Ein guter Proband definiert sich über einen PSA-Wert, der innerhalb des anfänglichen zweijährigen Studienzeitraums nicht um mehr als 0,2 ng/ml ansteigt. Berücksichtigte unabhängige Variablen zu Bestimmung der Wirksamkeit sind beispielsweise Alter, Geschlecht und die Krankheitsgeschichte (beispielsweise Diabetes und Bluthochdruck). Das beste Modell konnte ungeeignete Patienten von geeigneten Patienten mit einer mittleren Accuracy von 76 Prozent unterscheiden(6). ### **Fazit** Zusammengenommen zeigen die Ergebnisse das Potential von ML-basierten Werkzeugen für die Auswahl von geeigneten Patienten in klinischen Studien. Sie stellen eine Möglichkeit dar, das wirtschaftliche Risiko in der Arzneimittelforschung durch den Ausschluss von wahrscheinlich eher ungeeigneten Patienten für klinische Studien zu reduzieren, indem geeignete Subpopulationen genauer bestimmt werden können. Eine Vorrausetzung und gleichzeitig Limitation für die Praxis ist die Verfügbarkeit geeigneter Daten. Die Ergebnisqualität ist davon abhängig, dass Studien mit ähnlichen Designs bestehen und diese Daten auch zugänglich sind. Falls die Trainingsdaten das Studiendesign der geplanten Studie nicht abbilden, kann auch keine Generalisierung des Algorithmus für die geplante Studie angenommen werden. Dies könnte insbesondere ein Hindernis in Indikationen mit kleinen Krankheitspopulationen, beispielsweise bei seltenen Erkrankungen, sein Quellen 1. Harrer S, Shah P, Antony B, Hu J. Artificial intelligence for clinical trial design. Trends in pharmacological sciences. 2019;40(8):577-9. [zum Original](https://doi.org/10.1016/j.tips.2019.05.005) 2. Berndt ER, Nass D, Kleinrock M, Aitken M. Decline in economic returns from new drugs raises questions about sustaining innovations. Health Affairs. 2015;34(2):245-52 [zum Original](https://doi.org/10.1377/hlthaff.2014.1029) 3. Scannell JW, Blanckley A, Boldon H, Warrington B. Diagnosing the decline in pharmaceutical R&D efficiency. Nature Reviews Drug Discovery. 2012;11(3):191-200. [zum Original](https://doi.org/10.1038/nrd3681) 4. Stanski NL, Wong HR. Prognostic and predictive enrichment in sepsis. Nature Reviews Nephrology. 2020;16(1):20-31. [zum Original](https://doi.org/10.1038/s41581-019-0199-3) 5. Singh A, Thakur N, Sharma A, editors. A review of supervised machine learning algorithms. 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom); 2016: Ieee. [zum Original](https://www.semanticscholar.org/paper/A-review-of-supervised-machine-learning-algorithms-Singh-Thakur/53b55682222692323a3a0d546d9e1a3de29454f0) 6. Beacher FDD, Mujica-Parodi LRR, Gupta S, Ancora LAA. Machine Learning Predicts Outcomes of Phase III Clinical Trials for Prostate Cancer. Algorithms. 2021;14(5):147. [zum Original](https://doi.org/10.3390/a14050147) #### Verwandte Artikel - [Social Media Mining im Arzneimittelentwicklungsprozess](../../../2021/11/10/social-media-mining-im-arzneimittelentwicklungsprozess.md) - [Patientendaten für die Versorgung: Social Media birgt Potenziale](../../../2020/02/21/patientendaten-fuer-die-versorgung.md) - [Big Data in der pharmazeutischen Forschung](../../../2020/06/02/big-data-in-der-pharmazeutischen-forschung.md) **Kategorien:** Automatisierung von Prozessen, Big Data, Forschung, KI, Machine Learning, personalisierte Medizin, Pharma ## Bilder auf dieser Seite - shutterstock_1702974184-1320x500.jpg: ../../../../../mensch/assets/bilder/wp-content/uploads/2022/05/shutterstock_1702974184-1320x500.jpg --- Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [Predictive Enrichment in klinischen Studien](../../../../../mensch/blog/2022/01/10/predicitive-enrichment-in-klinischen-studien/)