Gentænkning af drug development – hvor og hvornår kan Big Data, AI og real world evidence disrupte drug development.

Af Tove Holm-Larsen, MSc, PhD, CEO Pharma Evidence & Silvi.ai

Pharma har længe arbejde ud fra den klassiske drug development proces, hvor et spændende molekyle bliver præ-kliniske undersøgt, hvorefter det bliver testet i fase 1 til fase 3, for endeligt at blive sendt til vurdering hos de regulatoriske myndigheder (se figur 1). Processen har i mange år resulteret i lancering af omkring 30-50 nye medicintyper i USA per år.1

Figur 1: Den klassiske drug development proces

I et nyt review2 af pris og tid for drug development fandt Wouters og Luyten, 2020, at der er 3-32% chance, for at et molekyle går hele vejen fra Phase 1 til accept hos FDA. Den helt store forskel ligger i de terapeutiske områder, hvor onkologi ligger helt i bund (3,4%), mens kliniske studier indenfor ophthalmologi (32,6%) har langt større chance for at blive til et reelt lægemiddel (se figur 2).

Figur 2.  Procent chance for at udvikle et lægemiddel per finaliseret drug development fase.

Der er altså forbundet med en kæmpe økonomisk risiko at udvikle medicin. Ifølge Wouters og Luyten, 2020 så kostede det i gennemsnit 319 millioner US$ at udvikle et molekyle til et lægemiddel fra 2003 til 2020, hvis man ikke indregnede mislykkedes studies. Hvis risikoen for mislykkedes studier derimod blev indregnet, så lå prisen helt oppe på 985 US$ millioner per molekyle (median pris).

Der er derfor i høj grad brug for at disrupte drug development processen og forsøge et mere proaktivt datadrevent udviklingsdesign, for at minimere antallet af mislykkedes studies.

Både FDA og EMA har erkendt, at der er brug for at tænke kreativt, og begge institutioner har derfor udsendt en lind strøm af frameworks og guidelines indenfor brugen af real world data og kunstig intelligens i de senere år. En række af disse kan findes i figur 3.

Figur 3.  Frameworks, visioner og guidelines fra FDA og EMA ang. brugen af AI, Big Data og Real world data.

  FDA   EMA
AI & Big data Artificial Intelligence and Machine Learning in Software as a Medical Device: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-software-medical-device   EMA’s overall vision on use of Big Data, Real World data and AI:   https://www.ema.europa.eu/en/documents/other/hma-ema-joint-big-data-taskforce-phase-ii-report-evolving-data-driven-regulation_en.pdf   https://www.ema.europa.eu/en/documents/regulatory-procedural-guideline/ema-regulatory-science-2025-strategic-reflection_en.pdf    
Real world data Overall framework for FDA’s real-world evidence program https://www.fda.gov/media/120060/download   Description of document submission: https://www.fda.gov/regulatory-information/search-fda-guidance-documents/submitting-documents-using-real-world-data-and-real-world-evidence-fda-drugs-and-biologics-guidance    

 

Åbningerne fra EMA og FDA giver en lang række muligheder for at øge farten på drug development. Figur 4 giver et overblik over nogle af de nye muligheder.

Figur 4. Big data og AI muligheder for at øge sandynligheden for at et klinisk studie lykkes.

Nogle af de mest interessant og lovende Big Data/Real World Data-ideer er efter min mening muligheden for at lave ’dry run’ eller i single arm studier en reel ’kunstig arm’. Ideen er at trække data på den nuværende standardbehandling direkte fra patient-journalerne. Derved får man overblik over nuværende effekt og bivirkninger, men man får samtidig også mulighed for at undersøge om alder, følgesygdomme, køn etc giver forskelle i effekt og bivirkninger.

Et ’dry run’ kan bruges til at informere designet af det kliniske studie fx med hensyn til, om der skal ændres på inklusion eller eksklusions kriterier – eller om der er specifikke grupper med add-on medicin eller add-on symptomer, som lader til at opføre sig overraskende, og som derfor måske bør ekskluderes fra studiet.

På samme måde er målinger direkte på patienterne via apps og sensorer en super spændende mulighed for at følge patienterne i tiden efter behandling og for alvor lave datadrevne værdibaseret betalingsaftaler, hvor myndighederne udelukkende betaler for reel effekt.

Vi har kun lige set starten på de ændringer Big Data, Real World Data og AI vil medføre indenfor drug development. De høje medicinpriser har skabt et maksimalt pres på en ellers konservativ medicinalbranche for at tænke nyt. Hurtigt.

Referencer:

  1. https://www.fda.gov/drugs/new-drugs-fda-cders-new-molecular-entities-and-new-therapeutic-biological-products/novel-drug-approvals-2019.
  2. Wouters and Luyten, Estimated Research and Development Investment Needed to Bring a New Medicine to Market, JAMA. 2020;323(9):844-853. doi:10.1001/jama.2020.1166