Είναι πλέον ευρέως αποδεκτό, ότι οι νεες ψηφιακές τεχνολογίες που έχουν αναπτυχθεί τα τελευταια χρόνια και έχουν ήδη υιοθετηθεί ευρέως σε πολλούς κλάδους, ακόμα και στην Ιατρική, μπορούν να φέρουν μια πραγματική επανάσταση και στον κλάδο των κλινικών μελετών.Οι ηλεκτρονικές συσκευές κάθε είδους, από τους υπολογιστές και τα tablets, έως τα smartphones,χρησιμοποιούνται πλέον κατά κόρον στην καθημερινότητα μας.Τα χρησιμοποιούμε για να είμαστε περισσότερο αποδοτικοί στη δουλειά μας,να παρακολουθούμε τη φυσική μας κατάσταση ή και την υγεία μας και να παραμένουμε συνδεδεμένοι με τους πάντες και τα πάντα γύρω μας. Σε αυτό το πλαίσιο παράγονται καθημερινά πλήθος δεδομένων μεταξύ άλλων και δεδομένα υγείας, έξω από το σύστημα υγείας.
Τα δεδομένα αυτά δεν παράγονται μόνο από ασθενείς οι οποίοι διαχειριζόμενοι, παραδείγματος χάριν μια χρόνια ασθένεια, παράγουν δεδομένα - δυνητικά χρήσιμα- για αποφάσεις υγειονομικής περίθαλψης, αλλά πλέον οι περισσότεροι από εμάς παράγουμε σημαντικό όγκο μετρήσιμων δεδομένων που θα μπορούσαν να σχετίζονται με την υγεία μας, είτε σκόπιμα (π.χ. μέσω των monitors φυσικής κατάστασης και τρόπου ζωής), είτε πιο παθητικά (για παράδειγμα μέσω των αναζητήσεων τoυ διαδικτύου).Αν αναλογιστούμε την πληθώρα των φορητών συσκευών (wearables) και εφαρμογών υγείας που έχουν κατακλύσει την αγορά τα τελευταία χρόνια, κατανοούμε καλύτερα τον όγκο και τη σπουδαιότητα αυτών των δεδομένων, όπως και τη δυνητική τους χρησιμότητα για το υγειονομικό σύστημα, αλλά και για τα άτομα που επιδιώκουν να βελτιώσουν την υγεία τους.
Τα δεδομένα αυτά όμως -γνωστά και ως Μεγάλα Δεδομένα (BigData)-,όσο σημαντικά κι αν είναι, θα ήταν άχρηστα αν δεν υπήρχαν οι καινοτόμες τεχνολογίες, που επιτρέπουν την προηγμένη επεξεργασία τους, και τη μετατροπή τους σε στοιχεία ικανά να συμβάλλουν στη λήψη τεκμηριωμένων αποφάσεων. Σκοπός του παρόντος άρθρου είναι να εξετάσει τον τρόπο με τον οποίο όλες αυτές οι τεχνολογίες, οι οποίες έχουν κάνει πιο έντονη την παρουσία τους στο χώρο της υγείας και της κλινικής έρευνας την τελευταία κυρίως δεκαετία, μπορούν να συμβάλλουν στην συλλογή και ανάλυση αυτών των δεδομένων.
Η περισσότερο διαδεδομένη τεχνολογία συλλογής δεδομένων και γνωστή σε όλους μας,είναι τα wearables. Αυτά είναι έξυπνες ηλεκτρονικές συσκευές και αξεσουάρ, που φοριούνται στο σώμα και μπορούν να «αισθανθούν» το άτομο που τα φοράει ή ακόμα και το περιβάλλον του. Υπάρχουν διαφορετικοί τύποι τέτοιων συσκευών και συνήθως κατηγοριοποιούνται ανάλογα με την εγγύτητά τους στο σώμα.Τα medicalwearables διαφέρουν από αυτά της ευρύτερης καταναλωτικής αγοράς, παρόλο που και τα δύο μπορούν να συλλέξουν δεδομένα υγείας.Ενώ βασίζονται στην ίδια τεχνολογία, οι λειτουργίες τους εξυπηρετούν διαφορετικό σκοπό και κυρίως τα medicalwearables διέπονται από ένα αυστηρό κανονιστικό πλαίσιο.
Τα wearables, λοιπόν, μπορούν να συλλέξουν ένα μεγάλο αριθμόβιομετρικών δεδομένων με σκοπό να συμβάλουν στην καλύτερη διάγνωση ενώ, όταν διαθέτουν την αντίστοιχη τεχνολογία, μπορούν ακόμα και να ανιχνεύσουν απειλητικές για τη ζωή του ατόμου καταστάσεις. Πέρα από τα smartwatches που είναι περισσότερο διαδεδομένα, στα medicalwearables ανήκουν πλήθος άλλων συσκευών όπως, μετρητές πίεσης, monitors παρακολούθησης της γλυκόζης, συσκευές παρακολούθησης ύπνου και άλλα. Συλλέγουν δεδομένα για τους καρδιακούς παλμούς, τα επίπεδα οξυγόνου στο αίμα, τη συναισθηματική μας κατάσταση και την πνευματική λειτουργία μας, τα μοτίβα κίνησης, ακόμα και για τις συνήθειες ύπνου.
Παρά την ολοένα αυξανόμενη χρηστική αξία των wearables, αυτό που τους δίνει ακόμα μεγαλύτερη προστιθέμενη αξία είναι το Internet of Things.Η δυνατότητα δηλαδή αυτόματης και άμεσης συνδεσιμότητας των συσκευών με διάφορες εφαρμογές, μέσω των οποίων οι χρήστες αποκτούν πρόσβαση στα δεδομένα. Σε συνδυασμό με την τεχνολογία της Τεχνητής Νοημοσύνης (Artificial Intelligence - AI),το Internet of Things, επιτρέπει στις συσκευές να αποστέλλουν την πληροφορία σε χρήστες στους οποίους δίνεται πρόσβαση, όπως για παράδειγμα ο γιατρός ή ο φροντιστής, ενώ όταν ανιχνευτεί κάποια απειλητική για τη ζωή μέτρηση, επιτρέπει την αποστολή προειδοποιητικών σημάτων ακόμα και σε Μονάδες Υγείας.
Τα δεδομένα αυτά, γνωστά ως Δεδομένα Πραγματικού Κόσμου (RealWorldData), γίνονται όλο και πιο σημαντικά για τις φαρμακευτικές εταιρείες, οι οποίες τα τελευταία χρόνια ενδιαφέρονται να έχουν πρόσβαση σε πλήθος επιστημονικών και ερευνητικών δεδομένων από διάφορες πηγές. Πηγές των δεδομένων πραγματικού κόσμου αποτελούν οι φάκελοι των ασθενών, τα αρχεία των ασφαλιστικών εταιρειών, οι ιατρικές απεικονίσεις, οι φορητές συσκευές, οι εφαρμογές υγείας, ακόμα και τα μέσα κοινωνικής δικτύωσης.Κατά συνέπεια ο αυξανόμενος όγκος των δεδομένων πραγματικού χρόνου, τα μετατρέπει αυτόματα σε BigData, όπου η επεξεργασία και ανάλυση τους μπορεί να γίνει μόνο με τη χρήση προγνωστικών μοντέλων τεχνητής νοημοσύνης και άλλων τεχνολογιών. H χρήση αυτών των τεχνολογιών, μπορεί όχι μόνο να επιταχύνει την κατανόηση των ασθενειών και τον εντοπισμό των κατάλληλων ασθενών για τη διεξαγωγή των κλινικών πρωτοκόλλων, αλλά επιτρέπει ουσιαστικά να εξαχθούν μοτίβα πληροφοριών,όπως και να βελτιωθεί σημαντικά ο σχεδιασμός των κλινικών δοκιμών.
Η Τεχνητή Νοημοσύνη (Artificial Intelligence - AI),είναι ένας συνδυασμός πολλών διαφορετικών τεχνολογιών που συνεργάζονται,για να επιτρέψουν στις μηχανές να αναγνωρίζουν, να κατανοούν, να ενεργούν και να μαθαίνουν με ανθρώπινα επίπεδα νοημοσύνης.Πρόκειται ουσιαστικά για αλγορίθμους, που επιτρέπουν σε μια συνεχή ροή δεδομένων να καθαριστούν, να συγκεντρωθούν, να κωδικοποιηθούν, να αποθηκευτούν, να διαχειριστούν και να αναλυθούν.Oι δύο πιο βασικές και περισσότερο διαδεδομένες τεχνικές του AI είναι η Μηχανική Μάθηση (Machine Learning) και η Επεξεργασία Φυσικής Γλώσσας (Natural Language Processing).
Η Μηχανική Μάθηση, είναι ο κλάδος της τεχνητής νοημοσύνης που χρησιμοποιεί αλγόριθμους και στατιστικά μοντέλα με σκοπό να προσφέρει τη δυνατότητα στους υπολογιστές να εκτελούν συγκεκριμένες εργασίες μέσα από την εξαγωγή συμπερασμάτων. Οι αλγόριθμοι αξιοποιούν τη Βαθιά Μάθηση (Deep Learning)και σύνθετες μαθηματικές τεχνικές για να αναλύσουν μεγάλα σύνολα δεδομένων,να βρουν απαντήσεις και να προβλέψουν αποτελέσματα. Το ενδιαφέρον είναι ότι, με τον καιρό ο αλγόριθμος «μαθαίνει» ποια μοτίβα και πληροφορίες παρέχουν τα πιο χρήσιμα αποτελέσματα και, στη συνέχεια, προσαρμόζει ανάλογα τις μελλοντικές αναζητήσεις. Άρα, όσο περισσότερα τα δεδομένα, τόσο οι αλγόριθμοι βελτιστοποιούν την εύρεση των σωστών απαντήσεων και την πρόβλεψη των αποτελεσμάτων.
Η Επεξεργασία Φυσικής Γλώσσας (Natural language processing-NLP), είναι ένα υποπεδίο της γλωσσολογίας, της επιστήμης των υπολογιστών και της τεχνητής νοημοσύνης που σχετίζεται με τις αλληλεπιδράσεις μεταξύ υπολογιστών και ανθρώπινης γλώσσας. Η τεχνική της, αφορά στον τρόπο προγραμματισμού των υπολογιστών για την επεξεργασία και ανάλυση μεγάλων ποσοτήτων δεδομένων φυσικής γλώσσας. Επιτρέπει δηλαδή σε έναν υπολογιστή να "κατανοήσει" το περιεχόμενο εγγράφων και ομιλίας με βάση τα συμφραζόμενα. Η τεχνολογία της, μπορεί στη συνέχεια να εξαγάγει, να οργανώσει και να κατηγοριοποιήσει με ακρίβεια τις πληροφορίες που παρέχονται.
Στην ίδια επιστήμη με την Τεχνητή Νοημοσύνη ανήκεικαι η τεχνική της Ρομποτικής Αυτοματοποίησης Διαδικασιών (Robotic Process Automations-RPAs)χωρίς όμως ωστόσο να πρέπει να συγχέονται. Στην απλή τους εκδοχή, είναι συστήματα που συμβάλλουν στην αυτοματοποίηση επαναλαμβανόμενων διαδικασιών, μεγάλου όγκου, με καθορισμένα βήματα και συστήματα.Οι αλγόριθμοι των RPAs λειτουργούν με απόλυτα προβλέψιμο τρόπο και δεν αλλάζουν. Όταν όμως σε αυτά εισαχθούν τεχνικές μηχανικής μάθησης τότε αποκτούν γνωστικές ικανότητες και μετατρέπονται σε Robotic Cognitive Automations- RCAs, τα οποία μπορούν να επεξεργαστούν και να ερμηνεύσουν μη δομημένα δεδομένα,συμβάλλοντας έτσι σε σημαντικές προγνωστικές αναλύσεις.
Οι παραπάνω τεχνολογίες γεφυρώνονται μεταξύ τους με τον εξής τρόπο: η Μηχανική Μάθηση αναγνωρίζει μοτίβα στην πληροφορία και κάνει προγνωστικές αναλύσεις, η Επεξεργασία Φυσικής Γλώσσας (NLP) συγκεντρώνει πληροφορία και γνώση, η Ρομποτική Αυτοματοποίηση Διαδικασιών (RPAs) είναι η τεχνική που αυτοματοποιεί τη διαδικασία, ενώ η πραγματική Τεχνητή Νοημοσύνη επιτρέπει την αυτoμάθηση και τη βελτιστοποίηση του συστήματος,πραγματοποιώντας παράλληλα τη συλλογική ανάλυση των δεδομένων.
Ενώ η χρήση της Τεχνητής Νοημοσύνης δεν είναι ακόμα ευρέως εφαρμόσιμη σε κλινικές δοκιμές, έχει τη δυνατότητα ωστόσο να «μεταμορφώσει» την κλινική ανάπτυξη νέων θεραπειών. Παράλληλα, η δυνατότητά της να βελτιώσει την εμπειρία του ασθενούς, θα συμβάλει στην εφαρμογή μιας ασθενοκεντρικής προσέγγισης σε όλη τη διαδικασία Έρευνας και Ανάπτυξης νέων θεραπειών. Οι εφαρμογές της μάλιστα θα οδηγήσουν στο μέλλον σε ταχύτερες, ασφαλέστερες και λιγότερο δαπανηρές κλινικές μελέτες. Συνοπτικά κάποιες από τις εφαρμογές τους στις κλινικές μελέτες περιλαμβάνουν:
• Τα εργαλεία αυτά με τα οποία συλλέγονται, δομούνται και αναλύονται επιστημονικά και ερευνητικά δεδομένα από τρέχουσες και παλαιότερες (επιτυχημένες και μη) κλινικές δοκιμές,όπως και δεδομένα από προγράμματα υποστήριξης ασθενών με σκοπό τον εντοπισμό σφαλμάτων και τον αποτελεσματικότερο σχεδιασμό νέων κλινικών πρωτοκόλλων.
• Την ανάλυση των RWD (με χρήση βιοδεικτών) συμβάλλοντας στην εφαρμογή αποτελεσματικών στρατηγικών στρατολόγησης ασθενών, με κριτήρια είτε την μειωμένη ομοιογένεια του πληθυσμού, είτε με προγνωστικά και προληπτικά μοντέλα σχεδιασμού (predictive&prognostic enrichment).
• Τη συνδρομή τους στην επιλογή των κατάλληλων -για την κλινική μελέτη- ερευνητικών κέντρων, λαμβάνοντας υπόψη δεδομένα για τις διοικητικές διαδικασίες, τη διαθεσιμότητα των πόρων τους, την ερευνητική εμπειρία στη νόσο και άλλα.
• Την καλύτερη παρακολούθηση και διαχείριση των ασθενών, αυτοματοποιώντας τη συλλογή δεδομένων, ψηφιοποιώντας τις κλινικές αξιολογήσεις και μοιράζοντας (sharing) τα δεδομένα ανάμεσα στα συστήματα της κάθε μελέτης. Σε συνδυασμό με τα wearables μπορούν να επιτρέψουν τη παρακολούθηση των ασθενών και τη ροή της πληροφορίας σε πραγματικό χρόνο, π.χ μπορεί με τη χρήση κάμερας του κινητού να ταυτοποιείται ο ασθενής και να επιβεβαιώνει τη λήψη του φαρμάκου.
• Την ενοποίηση των δεδομένων από τα διάφορα συστήματα σε μια κοινή πλατφόρμα ανάλυσης δεδομένων,η οποία δίνει πληροφόρηση σε πραγματικό χρόνο (real-timemetrics και insights), επιτρέποντας τη συνεχή προσαρμογή των παραμέτρων της κλινικής μελέτης, αλλά και τη λήψη προληπτικών αποφάσεων. Κάτι που επιτρέπει τον έγκαιρο εντοπισμό σφαλμάτων,συμβάλλοντας έτσι στην επιτυχία μιας δοκιμής.
Για τη μεγιστοποίηση της αξίας της Τεχνητής Νοημοσύνης και των υπόλοιπων προηγμένων τεχνολογιών, θα πρέπει παράλληλα να αναπτύσσεται και να εξελίσσεται διαρκώς και το επίπεδο ψηφιακής υποδομής. Δηλαδή, όλα εκείνα τα λογισμικά και εφαρμογές που χρησιμοποιούνται αυτή τη στιγμή στον κλάδο της υγείας και των κλινικών μελετών. Η παράλληλη τεχνολογική εξέλιξη και κυρίως η υιοθέτηση αυτών των εφαρμογών θα εξασφαλίσει τη συμβατότητα (compatibility), πολύ καλύτερη ενσωμάτωση των συστημάτων (integration) και ακόμα υψηλότερη ταχύτητα στην επεξεργασία των δεδομένων.
Αναμένεται δε ότι,η διαδικασία εξέλιξης της Τεχνητής Νοημοσύνης θα είναι μια ιδιαίτερα δυναμική διαδικασία αφού όσο η Τεχνητή Νοημοσύνη θα αναπτύσσει περαιτέρω τις εφαρμογές αυτές και αυτές με τη σειρά τους, θα προσφέρουν ακόμα μεγαλύτερη δυναμική στη Τεχνητή Νοημοσύνη.Στα πλαίσια αυτά η χρήση του e-Consent, του electronic Trial MasterFile, των Electronic Health Records και των ηλεκτρονικών Patient Reported Outcomes, αναμένεται σε πολύ σύντομο διάστημα να είναι σχεδόν καθολική. Επιπλέον, τα patient portals και mobile applications, καθώς και τα study communication platforms θα αποτελέσουν βασικά εργαλεία μετάδοσης της πληροφορίας αλλά και διαρκούς ανατροφοδότησης.
Όσο μακρινά κι αν ακούγονται κάποια από αυτά, υπάρχουν ήδη αρκετά παραδείγματα, όπου οι λύσεις αυτές ήδη δοκιμάζονται από κάποιες εταιρείες.
Η Novartis μαζί με την Quantum Black, γνωστή εταιρεία συλλογής δεδομένων στους αγώνες της Formula 1, αποφάσισαν να χρησιμοποιήσουν την πλατφόρμα της, για να αναλύουν τα δεδομένα 550 κλινικών μελετών που διενεργούσε η Novartis, με σκοπό να προβλέψουν πιθανά προβλήματα στην εκτέλεση μελλοντικών κλινικών μελετών, πριν αυτά ακόμα προκύψουν.
Η Abbvie σε συνεργασία με τη Philips, χρησιμοποίησαν το Actigraphy ρολόι της Philips σε κλινική έρευνα, με σκοπό να μετρούν την ποιότητα του ύπνου καθώς και τα «περιστατικά» κνησμού των συμμετεχόντων στη μελέτη, σε ασθενείς με ατοπική δερματίτιδα.
Η Janssen, σε συνεργασία με την Apple, πραγματοποίησε κλινική μελέτη χρησιμοποιώντας το applewatch, με σκοπό να βελτιώσει την πρόωρη διάγνωση και τα αποτελέσματα της κολπικής μαρμαρυγής, ενώ η μητρική της εταιρία, Johnson&Johnson έκανε μια εντελώς αποκεντρωμένη (virtual) μελέτη για να δει αν το applewatch σε συνδυασμό με ένα iPhone application θα μπορούσαν να μειώσουν τον κίνδυνο ισχαιμικού επεισοδίου.
Έως και το 2021, το clinicaltrials.gov έδειχνε πως ήταν υπό εξέλιξη, περίπου ~900 μελέτες με wearables, ενώ σύμφωνα με πρόσφατη έρευνα της Intel εκτιμάται πως περίπου το 70% των κλινικών μελετών θα ενσωματώσουν κάποιο wearable μέχρι το 2025.Σίγουρα υπάρχει μεγάλη απόσταση μέχρι την καθολική υιοθέτηση των νέων τεχνολογιών. Όμως η πρόσφατη εμπειρία με την πανδημία, απέδειξε ότι με τα κατάλληλα κίνητρα μπορούν και θα γίνουν τεράστια βήματα σε πολύ σύντομο χρόνο.
Βιβλιογραφία:
1. DeloiteAnalytics (2020), «Analytics& Τεχνητή Νοημοσύνη», Παρατηρητήριο Ψηφιακού Μετασχηματισμού ΣΕΒ.
2. Deloite Analytics (2020), «Ψηφιακός Μετασχηματισμός του Κλάδου Υγείας»,Παρατηρητήριο Ψηφιακού Μετασχηματισμού ΣΕΒ.
3. Glass L., Patil R., Shorter G. (2019), “AI in clinical development – Improving safety and accelerating results”, IQVIA White Paper
4. Thryve (2021), “Wearables in clinical trials”, https://thryve.health/wearables-in-clinical-trials.
