Tadzik edukuje: Wykorzystanie sztucznej inteligencji i uczenia maszynowego w projektowaniu pediatrycznych badań klinicznych
Witajcie, to ja Tadzik – Wasz Ambasador Pediatrycznych Badań Klinicznych.
Dzisiaj chcę przybliżyć temat dotyczący wykorzystywania sztucznej inteligencji i uczenia maszynowego w projektowaniu pediatrycznych badań klinicznych.
Sztuczna inteligencja (ang. artificial intelligence, AI) pozwala na uzyskanie nowych rozwiązań i osiągnięciu ważnych kamieni milowych w zakresie biomedycznym. Może być ona wykorzystywana m.in. do identyfikowania celów terapeutycznych, odkrywania leków czy sprawdzania ich bezpieczeństwa. Głównym celem AI jest zapewnienie teoretycznych podstaw dla uczenia maszynowego, czyli uczenia komputerów wykonywania zadań bez wyraźnych instrukcji człowieka, przy wykorzystaniu wzorców i wyników analiz uzyskanych z posiadanych danych. AI dzięki uczeniu maszynowemu, przetwarzaniu języka naturalnego i wykorzystywaniu innych metod obliczeniowych, może nie tylko przetwarzać i analizować ogromne ilości danych, ale także wnioskować i wspierać zespoły badawcze w podejmowaniu decyzji badawczych.
Jest to zagadnienie szczególnie istotne w kontekście pediatrycznych badań klinicznych. Otóż, ich uczestnikami są osoby poniżej 18. roku życia, u których profil farmakokinetyczny i farmakodynamiczny leków istotnie różnią się zarówno od tych obserwowanych u dorosłych, jak i pomiędzy poszczególnymi grupami wiekowymi występującymi w obrębie populacji pediatrycznej. Ponadto badania te wiążą się z wysokimi kosztami, trudnościami w uzyskaniu świadomej zgody oraz koniecznością zapewnienia uczestnikom maksymalnego możliwego komfortu psychicznego i fizycznego. Niemniej jednak to dzięki badaniom klinicznym możliwe jest rejestrowanie nowych produktów leczniczych, które nie tylko mogą stać się skuteczniejszymi metodami leczenia, ale nawet ratować życie.
W celu usprawnienia procesów możliwe jest wykorzystanie AI na każdym etapie projektowania i realizacji pediatrycznych badań klinicznych. Powyższe działanie może znacząco pomóc pokonać wiele barier utrudniających ich prowadzenie. Podczas projektowania badań klinicznych możliwe jest wykorzystanie AI do prognostycznego i predykcyjnego wzbogacania danych. Takie rozwiązanie umożliwia identyfikację złożonych zależności pomiędzy zmiennymi, poprawia dokładność prognoz klinicznych, a także wspiera personalizację terapii. AI może również usprawniać tworzenie dokumentacji regulacyjnej, w tym protokół badania.
Podczas realizacji badania klinicznego, jedną z trudności jest rekrutacja i retencja uczestników. W tym zakresie AI może udoskonalić m.in. proces uzyskiwania świadomej zgody oraz wspierać utrzymanie uczestników. Na podstawie dostępnych badań stwierdza się, że wsparcie AI pozytywnie wpływa na satysfakcję pacjentów ze sposobu przekazywania informacji o badaniu, zwiększa odczucie lepszego zrozumienia formularza świadomej zgody, a także zachęca do zadawania pytań i pogłębiania wiedzy na ich temat. AI może być również pomocne w tworzeniu przyjaznych dla użytkownika interfejsów np. do raportowania objawów oraz zwiększenia poczucia sprawczości uczestników badań klinicznych. Usprawnienie prowadzenia badania klinicznego może być również wspierane przez AI w zakresie zautomatyzowanego monitorowania danych oraz identyfikacji nowych punktów końcowych, a także wspomagać zespół badawczy w generowaniu raportów i przygotowywaniu manuskryptów zawierającymi wyniki z badań.
Należy jednak pamiętać, że pomimo olbrzymiego potencjału wdrożenie AI do badań klinicznych wiąże się ze znacznymi wyzwaniami. Do najważniejszych należą zasoby techniczne i dostęp do danych, kwestie etyczne i regulacyjne, a także czynniki organizacyjne.
Podsumowując, implementacja AI do badań klinicznych jest nieodłącznym elementem przyszłości. Należy jednak mieć na uwadze, że pomimo ogromnych możliwości, wykorzystanie jej musi odbywać się ze zrozumieniem i zminimalizowaniem ryzyka jakie ze sobą niesie. Sprostanie tym wyzwaniom pozwoli zwiększyć efektywność pediatrycznych badań klinicznych poprzez zautomatyzowanie i przyspieszenie przełomów medycznych.
Bibliografia:
- Holzinger, A., Keiblinger, K., Holub, P., Zatloukal, K., & Müller, H. (2023). AI for life: Trends in artificial intelligence for biotechnology. New biotechnology, 74, 16-24.
- Thamson, K., & Panahi, O. (2025). Challenges and opportunities for implementing AI in clinical trials. J. of Bio Adv Sci Research, 1(2), 1-08.
- Foote, H. P., Cohen-Wolkowiez, M., Lindsell, C. J., Hornik, C. P. (2024). Applying Artificial Intelligence in Pediatric Clinical Trials: Potential Impacts and Obstacles. The Journal of Pediatric Pharmacology and Therapeutics, 29(3), 336-340.
- Łuczak, A., Magiera, M., Szałek, E. Badania kliniczne w populacji pediatrycznej Clinical trials in the paediatric population. FARMACJA WSPÓŁCZESNA 2018; 11: 42-48
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44–56.
- Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24–29.
- Smith J, et al. Exploring patient perspectives, engagement, and output quality in doctor-supervised use of AI during informed consent consultation. J Med Internet Res. 2025; e73717.
- Lu X, Yang C, Liang L, Hu G, Zhong Z, Jiang Z. Artificial intelligence for optimizing recruitment and retention in clinical trials: a scoping review. J Am Med Inform Assoc. 2024;31(11):2749–2759.
Autorka: dr Daria Urbańska