AI bedrijven houden ervan om gedurfde uitspraken te doen over de gezondheidszorg. Alfabet Isomorf vertelt ons dat “grensverleggende AI diepere wetenschappelijke inzichten, snellere doorbraken en levensveranderende medicijnen kan ontsluiten.” Lila zet zijn AI vol vertrouwen op de markt als een hulpmiddel voor “snellere ontdekkingen op elk gebied waar baanbrekende wetenschap ertoe doet.” En ze geven geld uit alsof ze de hype geloven. Anthropic heeft onlangs een stealth-startup overgenomen Coëfficiënt Bio voor $ 400 miljoen.
Maar er is maar één echte test voor AI in de gezondheidszorg: werkte het bij mensen? Heeft het een medicijn gecreëerd dat iemands leven heeft gered?
En botweg: de meeste bedrijven hebben dat niet bereikt. Laten we eens kijken naar het aantal behandelingen dat op de markt is gebracht. Isomorf? Geen. Lila? Hetzelfde. Marketing claims in AI overleven zelden het contact met de realiteit.
Dat komt omdat het moeilijk is om echte vooruitgang te boeken in de gezondheidszorg.
Om een nieuwe behandeling te testen, moet u een klinische fase 3-studie doorlopen. Dat is doorgaans tien jaar en $2 miljard. Om een diagnose te testen, moet u het klinische voordeel aantonen, een rigoureuze test door een derde partij doorstaan en een volledig kwaliteitsmanagementsysteem opbouwen, voordat uw product zelfs maar in de kliniek wordt toegelaten. Om nieuwe menselijke biologie te ontdekken en te bewijzen? Dat kan tientallen jaren van wetenschappelijke experimenten vergen.
SLUIT DE KLOOF
Dus wat moeten we doen? De industrie moet de kloof dichten tussen waar AI-modellen worden getraind en waar medicijnen daadwerkelijk plaatsvinden.
Dat harde werk is wat de beste AI-bedrijven in het veld doen. Bedrijven als Insilico Medicine en Recursion bevorderen door middel van klinische onderzoeken door AI ontdekte middelen. Bij Owkin hebben we OKN4395, ons oncologiemedicijn, opgenomen in de klinische Fase 1a-studie INVOKE. Daarnaast hebben we onze AI jarenlang getraind op echte patiëntgegevens en hebben we MSIntuit CRC via de Europese CE-markering in de pathologiepraktijk gebracht.
Dit is hard werken, maar uw AI naar patiënten brengen heeft een groot voordeel: het dwingt uw AI om beter te zijn. Uit onze ervaring hebben we onverwachte, lastige problemen moeten aanpakken. Toen we diagnostische AI voor het eerst naar de kliniek brachten, realiseerden we ons dat de modellen niet goed zouden generaliseren over populatieveranderingen of scanneropstellingen. Wij moesten ons ontwikkelen eenvoudige maar robuuste methoden om onze modellen aan te passen aan de grillen van individuele locaties en technologieën.
VERBETER DE FEEDBACK LOOP IN REAL TIME
Wij denken dat deze “reality check” – het testen van de resultaten van onze modellen met echte patiënten – zo belangrijk is, dat we deze in de structuur van ons INVOKE-onderzoek hebben ingebouwd. Bij een traditionele proef wordt bij het ontwerp alleen gekeken naar de essentiële indicatoren voor het succes van de proef, en de tussentijdse resultaten zouden beslissen of de proef vordert. Dat is het. Maar in tegenstelling tot een traditioneel onderzoek gebruiken we doorlopende gegevens van onze patiëntendeelnemers om onze AI te verbeteren. Waar de voorspellingen van onze AI over de reacties van patiënten hun doel hebben gemist, hebben we deze opnieuw getraind op basis van de echte gegevens om de prestaties te verbeteren. Het is een positieve feedbackloop: hoe meer informatie we krijgen uit praktijkproeven, hoe beter onze AI wordt, hoe beter deze werkt voor patiënten, hoe meer modellen we kunnen testen.
Dit is waar het veld naartoe gaat. Er zijn verschillende smaken. Sommige bedrijven voegen extra stappen toe, zoals het testen van de resultaten van hun AI in vitro modelsystemen (buiten het lichaam, zoals in petrischalen) – maar uiteindelijk kan geen enkele medicijnontdekking, proefontwerp, diagnostische of klinische AI succesvol zijn zonder aan te tonen dat de resultaten van de AI bij mensen werken.
Maar het hoeft niet allemaal uit klinische onderzoeken te komen.
MODELTRAININGSGEGEVENS KUNNEN VARIËREN
U kunt initiële modelvoorspellingen dichter bij de werkelijkheid brengen door deze AI-modellen te trainen op basis van rijke patiëntgegevens. Hoe gedetailleerder de databeschrijvingen, hoe breder het scala aan modaliteiten, hoe waarschijnlijker het is dat de signalen die de modellen oppikken reëel zijn.
Wanneer u nieuwe, door AI gegenereerde hypothesen moet testen en dit niet lukt met bestaande patiëntgegevens, kunt u zo dicht mogelijk bij de patiënt komen in vitro. Van patiënten afkomstige organoïden behouden bijvoorbeeld de menselijke biologische complexiteit die in laboratorium gekweekte cellijnen en diermodellen ontbreken, terwijl ze ook een schat aan klinische informatie over de patiënt van herkomst opleveren.
En u kunt testen hoe de voorspellingen van modellen over de reacties van patiënten in het wild presteren – buiten streng gecontroleerde testomgevingen – met echte menselijke patiënten. Wat een verschrikking! Dat is het mooie van het hebben van een volledig ecosysteem. Wanneer u modellen maakt die routinematig in de kliniek worden gebruikt, zoals onze diagnostische modellen, krijgt u een goed beeld van hun sterke punten en beperkingen en waar de echte behandelbare klinische pijnpunten liggen.
Bij Owkin doen we al deze dingen. Het is niet gemakkelijk. Het strekt ons uit. En het dwingt ons om de echte belemmeringen voor het aanbieden van behandelingen aan patiënten onder ogen te zien.
Dit is het punt in het artikel waarop ik mijn eigen visionaire, bizarre beweringen zou moeten doen – iets dat mijn marketingteam echt in paniek zou brengen. Iets over hoe de toekomst voor altijd zal veranderen, over hoe dicht we bij een baanbrekende verschuiving zijn… je kent wel zoiets. Maar laat ik eindigen met iets meer gegrond.
Het is gemakkelijk om enthousiast te worden over de belofte van AI. Geloof me, dat doe ik. Maar het geeft nog meer voldoening om te zien hoe al die dromen en verwachtingen botsen met de werkelijkheid, verdampen – en zien wat er overleeft. Want dat is wat echt is.
Thomas Clozel, MD, is medeoprichter en CEO van Owkin.
