В клинических испытаниях фазы III бюджет стартует от $200 млн, а сроки — 3–7 лет. 30% провалов — из-за недоукомплектования, половина сайтов набирает менее 70% участников. Каждая неделя задержки стоит миллионы. Мы построили AI-системы, которые с помощью NLP, предиктивной аналитики и synthetic control arms сокращают время набора на 40–60% и уменьшают dropout на 25%. Фактически, вы получаете готовую к запуску когорту за 2–5 минут вместо недель ручного скрининга. Экономия на одном исследовании фазы III может достигать десятков миллионов долларов.
Например, для испытания препарата от болезни Альцгеймера с 800 участниками AI отобрал 420 подходящих за 5 минут, вручную это заняло бы 3 недели. Дополнительно AI оценивает репрезентативность выборки и предсказывает completion rate для каждого пациента, используя географические, социально-экономические и клинические признаки. Этот подход позволяет набирать сначала тех, кто с высокой вероятностью завершит исследование, снижая потери на этапе follow-up.
Как устроен AI-скрининг пациентов?
Каждое клиническое испытание содержит десятки критериев включения/исключения на медицинском английском. Наша NLP-система:
- Парсит критерии в структурированное представление через clinical concept extraction (SNOMED CT, LOINC, RxNorm).
- Сопоставляет с данными EMR больницы.
- Ранжирует пациентов по вероятности успешного предскрининга.
| Метод | Время на 1000 пациентов | Recall |
|---|---|---|
| Ручной скрининг | 100–200 часов | ~70–80% |
| NLP-скрининг | 2–5 минут | >92% |
Почему мониторинг протокола на AI быстрее?
Традиционно мониторы вручную просматривают Case Report Forms. AI автоматизирует:
- Safety Signal Detection: real-time анализ adverse events (AE) с кодировкой по MedDRA и disproportionality-анализ (PRR, ROR) для раннего обнаружения сигналов.
- Детекция отклонений протокола: NLP + rule checking выявляет отклонения по данным EMR и ePRO (например, пациент принял запрещённое лекарство).
- Качество ePRO: модель предсказывает пропуски и нереалистичные ответы по временным паттернам и скорости ответов.
Для adaptive trials AI поддерживает Bayesian статистику с быстрыми симуляциями operating characteristics. Количество ручных проверок сокращается на 60–70%, а safety signals обнаруживаются на 2–3 недели раньше.
Оптимизация сети сайтов
Site Performance Prediction — предсказываем enrollment rate и качество данных по каждому сайту на основе исторической performance, размера patient population и инфраструктуры. Country Feasibility — AI анализирует регуляторные timelines, стоимость и скорость одобрения по странам, чтобы выбрать оптимальный микс для multinational trial.
Что такое synthetic control arms?
Synthetic control arms строятся из реальных данных пациентов (RWD) с помощью propensity score matching и ML. Регуляторы FDA и EMA принимают такой подход для орфанных заболеваний и ускоренных путей.
| Аспект | Традиционная плацебо-группа | Synthetic control arm |
|---|---|---|
| Набор участников | 30–50% всех субъектов | 0% дополнительных |
| Этические проблемы | Есть (пациенты получают плацебо) | Минимальны |
| Стоимость | Высокая (лечение, мониторинг) | Экономия до 40% бюджета |
| Валидация FDA/EMA | Полностью принята | Для отдельных случаев |
Экономия: исключение 30–50% участников контрольной группы снижает стоимость и ускоряет исследование.
Как мы предсказываем dropout?
Модель анализирует географическую доступность, социально-экономические факторы, историю compliance и частоту визитов. Это позволяет выбирать пациентов с высокой вероятностью завершения, снижая dropout rate и ускоряя набор.
Процесс внедрения
Внедрение проходит в четыре этапа:
- Аналитика протокола: NLP-парсинг критериев и EMR-схем.
- Проектирование модели: подбор архитектуры (BERT, LongFormer), обучение на данных клиники.
- Интеграция: стыковка с 3–5 EMR системами через FHIR или HL7v2.
- Тестирование и деплой: валидация recall, precision; развёртывание на on-premise или в облаке.
- Поддержка: обучение персонала, мониторинг модели в production.
Типичные ошибки при внедрении: неполный mapping медицинских терминов, игнорирование региональных EMR-систем, отсутствие исторических метрик для baseline.
Что входит в работу
- Документация протокола и модели.
- Интеграция с 3–5 EMR-системами (FHIR, HL7v2).
- Обучение персонала работе с AI-панелью.
- Техническая поддержка на этапе пилота и после деплоя.
Сроки и стоимость
Для конкретной терапевтической области разработка занимает 3–5 месяцев. Стоимость рассчитывается индивидуально — оцените ваш протокол, свяжитесь с нами для предварительного расчёта. Экономия на типичном исследовании фазы III может составить до десятков миллионов долларов. Более 7 лет опыта в AI/ML, 15+ проектов в фармацевтике.
Свяжитесь с нами для предварительной оценки вашего протокола. Закажите демонстрацию AI-скрининга на ваших данных.
FDA guidance on synthetic control arms for rare diseases подтверждает применимость подхода.