De farmaceutische industrie wordt regelmatig gevraagd om meer aandacht te hebben voor unmet medical needs (UMN) in plaats van zich te laten leiden door financiële prikkels. Medicijnontwikkeling gaat echter gepaard met hoge kosten en flinke risico’s waardoor dit een uitdaging is. Artificial Intelligence (AI) wordt steeds meer toegepast tijdens de verschillende onderdelen van geneesmiddelenonderzoek en lijkt bij te dragen aan de efficiëntie. Dit artikel gaat in op de vraag hoe AI-toepassingen geneesmiddelenonderzoek (kunnen) ondersteunen en of dit ook zal leiden tot het invullen van de door Kuipers’ geïdentificeerde “pharmaceutical gaps”.

Eerder dit jaar heeft Kuipers aangegeven dat hij de farmaceutische industrie wil stimuleren om onderzoek naar nieuwe medicijnen ook te laten leiden door maatschappelijk relevantie. De achtergrond is een rapport van SiRM waarin wordt gesteld dat het financiële rendement prevaleert boven het maatschappelijke belang als het aankomt op geneesmiddelenontwikkeling.

AI-toepassingen in de gezondheidszorg

In een recent artikel van onze redactie wordt een overzicht gegeven van de huidige toepassingen binnen de gezondheidszorg en wordt ingegaan op de uitdagingen voor een succesvolle integratie. Er worden veel medisch-technische toepassingen beschreven, zoals screening, diagnostiek, 3D-modellen en telemedicine-platforms. Een ander gebied waar AI al succesvol wordt toegepast, en waar wij in dit artikel dieper op ingaan, is geneesmiddelenontdekking en -ontwikkeling.

Uitdagingen geneesmiddelenonderzoek

Om te begrijpen hoe AI kan ondersteunen bij de ontwikkeling van nieuwe geneesmiddelen is het belangrijk om de uitdagingen in kaart te brengen. Uit een rapport (pdf) van de Boston Consulting Group (BCG) blijkt onder meer dat geneesmiddelenonderzoek en -ontwikkeling samengaat met hoge kosten, grote risico’s en lange duur voordat een product op de markt is.  De twee belangrijkste beschreven factoren die bijdragen aan de hoge kosten zijn:

  • Failure: veel van de experimentele medicatie faalt gedurende het proces van ontwikkeling. Zo’n 90% van de kandidaat-geneesmiddelen redt het niet tot de eindstreep.
  • Lange duur van onderzoek: Het ontwikkelen van medicijnen neemt minstens 10 jaar in beslag. Om potentiële medicatiekandidaten te identificeren moeten veel grote datasets worden doorlopen. Naast het puur ontwikkelen van kandidaat-medicijnen gaat het hierbij ook over zaken als interacties met geneesmiddelen en bijvoorbeeld voedsel, toxicologie en de biologische beschikbaarheid van bepaalde stoffen.
AI en geneesmiddelenontwikkeling

Binnen de diverse stappen van geneesmiddelenontwikkeling zien we toepassingen van AI hun intrede doen. Om een voorbeeld te geven: De Amerikaanse Food and Drug Administration (FDA) rapporteerde dat er in 2022 170 inzendingen waren voor nieuwe medicijnen en biologische geneesmiddelen waarin AI-elementen en machine learning (ML) waren verwerkt. Het jaar daarvoor waren er 132 van dit soort aanvragen en vijf jaar geleden waren dat er nog geen.

Deze toename in toepassingen komt op een moment dat onderzoekers zich realiseren dat AI een substantiële rol kan spelen in het ontwikkelingsproces van geneesmiddelen. Farmaceutische bedrijven gebruiken de tool voor bijna elke stap in het ontdekkingsproces. De meest voorkomende toepassingsmogelijkheden zijn:

  • Ontdekking en ontwikkelen van geneesmiddelen
    AI-algoritmen kunnen enorme hoeveelheden biologische en chemische gegevens doorzoeken om potentiële kandidaat-geneesmiddelen te identificeren. Doordat er ook kan worden gekeken naar mogelijke ongewenste interacties is de voorspellingswaarde zeer specifiek met een verhoogde kans op succesvolle ontwikkeling.
  • Voorspellen van het werkingsmechanisme van het medicijn
    AI kan verschillende medicijneigenschappen voorspellen, zoals de oplosbaarheid, toxiciteit, bioactiviteit en het bepalen van de juiste doseringen. Inzicht in deze eigenschappen zijn cruciaal voor het selecteren van kandidaat-geneesmiddelen. Ongeschikte kandidaten, bijvoorbeeld op basis van hun toxiciteit, kunnen met behulp van AI, vroegtijdig worden uitgesloten.
  • Optimalisatie van klinisch onderzoek
    Door patiëntgegevens en historische onderzoeksresultaten te analyseren, kan AI helpen bij het identificeren van de optimale onderzoeksopzet, patiëntenpopulatie en eindpunten. Uiteindelijk leidt de toepassing van AI zo tot efficiëntere en succesvollere onderzoeken.

Dit is slechts een selectie van de mogelijkheden die worden toegepast en succesvol zijn. Bij Pfizer  heeft AI bijvoorbeeld een rol gespeeld in de snelle ontwikkeling van hun Coronavaccin. Een ander voorbeeld is een algoritme waarmee kan worden bepaald of een antidepressivum aanslaat bij een patiënt. Met zo’n AI-toepassing kunnen geneesmiddelen veel effectiever worden voorgeschreven.

Ondanks dat er ook nog beperkingen zijn voor het gebruik van AI, zoals bijvoorbeeld rondom datakwaliteit, dataprivacy en ethische vraagstukken, zal AI meer en meer een plek gaan innemen in de ontwikkeling van nieuwe geneesmiddelen.

Partnerships

Om snel stappen te maken en niet achter te raken op de concurrentie, zien we veel partnerships ontstaan tussen farmaceuten en specialisten op het gebied van AI. McKinsey schat dat er bijna 270 bedrijven zijn die zich bezighouden met AI-gestuurde medicijnontdekking. Hoewel het merendeel zich in de VS bevindt, zijn er hubs in opkomst in West-Europa en Zuidoost-Azië. AstraZeneca (Benevolent AI, Verge Genomics), Pfizer, Gilead en Sanofi (Exscientia en Insilico Medicine) zijn bijvoorbeeld allemaal partnerships aangegaan met gespecialiseerde bedrijven op het gebied van AI. Naast partnerships proberen farmaceuten de kennis op het gebied van AI ook zelf in huis te halen.

Unmet Medical Needs & Pharmaceutical gaps

Het is duidelijk dat AI een belangrijke rol speelt en in toenemende mate zal gaan spelen op het gebied van geneesmiddelenonderzoek. Door de inzet van AI kan er veel tijdwinst worden geboekt en is de voorspelling van kandidaat-geneesmiddelen accurater. Ondanks deze veelbelovende signalen, is het goed om te realiseren dat de toepassing van AI in geneesmiddelenonderzoek nog in de kinderschoenen staat. Nog lang niet alle processen zijn gestandaardiseerd en dus is er nog geen definitieve oplossing voor de uitdagingen met betrekking tot kosten, lange duur en failures bij medicijnontwikkeling.

Daarmee is dit mogelijk juist het moment om te kijken naar AI-toepassingen voor unmet medical needs. Het experimentele karakter maakt dat er interesse kan zijn om (ook) ervaring op te doen in gebieden die minder tot de corebusiness van de farmaceuten behoren. Om de farmaceutische industrie te verleiden de scope van de onderzoeken te verbreden zal er moeten worden gekeken hoe hiertoe een stimulans kan worden geboden. Deze aanpak moet minstens plaatsvinden op Europees niveau om impactvol te kunnen zijn.

 

Bron: Axon Healthcare, BioPharma Dive (BD), Bloomberg, Boston Consulting Group (BCG), Consultancy.nl, Endpoints, Het Financieele Dagblad (FD), Innovation Origins (IO), McKinsey & Company, Ministerie van VWS, Morgan Stanley, Pfizer, Pharmafile, Politico, ScienceDirect, SiRM, Vereniging Innovatieve Geneesmiddelen (VIG)