Bagaimana Medtech membantu mempercepat penemuan obat
Lanjutkan membaca untuk mempelajari selengkapnya tentang kecerdasan buatan dalam penemuan dan pengembangan obat, serta bagaimana kecerdasan buatan membantu memangkas biaya pengembangan obat dan memberikan perawatan intensif kepada pasien dengan lebih cepat.
Meningkatnya biaya penemuan dan pengembangan obat
Cara profesional layanan kesehatan dalam mengobati pasien telah berubah dengan cepat. Secara umum pengobatan menjadi lebih presisi berkat para peneliti yang telah berusaha menangani kompleksitas masalah kesehatan, serta industri farmasi yang telah mempersingkat waktu yang diperlukan dalam mengembangkan obat penyelamat jiwa.
Saat ini, proses perilisan obat baru ke pasaran oleh perusahaan farmasi sangatlah panjang dan mahal. Menurut Taconic Bioscience, pengembangan satu obat pada tahun 2019 membutuhkan biaya sekitar $2,8 miliar dan memakan waktu lebih dari 12 tahun. Selain itu, sebanyak 90% kandidat obat baru gagal mendapatkan persetujuan dari FDA.
Kabar baiknya adalah bahwa kecerdasan buatan (AI) memiliki potensi yang luar biasa untuk mempercepat proses penemuan dan pengembangan obat.
Bagaimana AI menyederhanakan proses penemuan obat
Langkah pertama dalam membuat sebagian besar obat baru adalah menyintesis senyawa yang dapat mengikat dan memodulasi molekul target yang terlibat dalam suatu penyakit, yang biasanya berupa protein. Untuk menemukan senyawa yang tepat, peneliti harus meninjau ribuan kandidat potensial. Setelah target teridentifikasi, peneliti kemudian menyaring pustaka besar berisi senyawa yang serupa untuk menemukan interaksi optimal dengan protein penyakit.
Saat ini, dibutuhkan waktu lebih dari satu dekade dan biaya ratusan juta dolar untuk sampai ke titik ini. Namun, medtech dapat menyederhanakan proses tersebut menggunakan kecerdasan buatan dan pembelajaran mesin (ML) untuk menghemat waktu dan biaya yang dibutuhkan industri farmasi dalam merilis obat baru. Misalnya, teknologi ini dapat:
Memindai pustaka molekul
Pustaka yang disaring untuk menemukan kandidat molekul sangatlah banyak, sehingga hampir tidak mungkin bagi peneliti manusia untuk meninjau semuanya secara manual. Di sisi lain, AI dapat dengan cepat mengidentifikasi senyawa target potensial dalam himpunan data besar sehingga dapat menghemat waktu yang dihabiskan peneliti di lab.
Memprediksi sifat senyawa
Proses penemuan obat secara tradisional melibatkan uji coba yang memakan waktu. Solusi medtech yang dikombinasikan dengan AI dan ML dapat membantu mempercepat proses ini dengan memprediksi sifat senyawa yang potensial sehingga memastikan bahwa hanya senyawa dengan sifat yang diinginkan yang akan dipilih untuk proses sintesis. Hal ini dapat menghemat waktu peneliti dalam meneliti senyawa yang mungkin tidak efektif.
Menemukan senyawa baru
Ketika penyaringan hanya memberikan sedikit hasil yang menjanjikan, AI bahkan dapat mengusulkan senyawa baru yang sesuai dengan parameter yang diinginkan dan memiliki peluang keberhasilan yang lebih tinggi.
Bagaimana AI dapat membantu dalam penemuan obat baru?
Bagaimana AI digunakan dalam proses uji klinis?
Menurut Deloitte, hanya 10% kandidat obat yang memasuki tahap uji klinis berhasil disetujui oleh badan yang berwenang. Tahap terpanjang dan paling mahal dalam proses pembuatan obat yaitu uji klinis yang melibatkan beberapa fase pengujian pada manusia, dan setiap fase melibatkan ratusan atau ribuan peserta.
Proses linear tradisional seperti uji acak terkontrol (RCT) belum pernah berubah selama beberapa dekade dan tidak memiliki fleksibilitas, kecepatan, serta daya analitik yang diperlukan agar model obat yang presisi dapat berkembang. Perusahaan mengalami kesulitan dalam menemukan peserta yang tepat, belum lagi mereka harus merekrut, mempertahankan, dan mengelola peserta secara efektif. Ketidakefisienan dari proses ini sangat berkontribusi pada meningkatnya biaya penemuan dan pengembangan obat, serta tingkat persetujuan obat yang rendah.
Perusahaan farmasi dapat menggunakan model AI prediktif di seluruh tahap uji klinis dalam pengembangan obat, mulai dari desain hingga analisis data, untuk membantu:
- Mengidentifikasi pasien yang sesuai dengan mendalami konten yang tersedia secara publik.
- Menilai kinerja uji coba secara real time.
- Mengotomatiskan proses berbagi data di seluruh platform.
- Menyediakan data untuk laporan akhir.
Penggabungan algoritma dengan infrastruktur teknologi yang efektif memastikan aliran data klinis yang konstan disaring, dikumpulkan, disimpan, dan dikelola secara efektif. Dengan demikian, peneliti dapat lebih memahami keamanan dan kemanjuran obat tanpa harus menyusun dan menganalisis himpunan data besar yang dihasilkan dari uji coba secara manual.
Hambatan penerapan AI dalam penemuan dan pengembangan obat
Meskipun penggunaan AI dalam proses penemuan obat semakin meluas, masih ada hambatan dalam penerapannya.
Kualitas data
Tantangan yang sering dikutip di banyak industri adalah buruknya kualitas data dapat dengan cepat mengurangi kemampuan AI dan pembelajaran mesin. Bagi peneliti obat, data berkualitas rendah membuat medtech tidak dapat diandalkan dan, pada akhirnya, menjadi kurang akurat, kurang membantu, atau kurang menghemat waktu dibandingkan metode tradisional.
Kekhawatiran
Terjadi kesalahpahaman di sebagian besar industri bahwa teknologi pada akhirnya akan menggantikan pekerja manusia. Tidak terkecuali industri farmasi. Meskipun benar bahwa AI dapat menganalisis himpunan data berukuran besar dengan lebih cepat, peran peneliti dan dokter manusia yang terampil tetap tidak tergantikan.
Keterbatasan tenaga ahli
Penerapan medtech dalam proses penemuan obat memerlukan serangkaian keahlian khusus. Agar kualitas data tetap baik dan AI tetap dapat bekerja secara efektif, perusahaan membutuhkan pekerja yang tidak hanya memiliki keterampilan teknis tetapi juga pemahaman tentang sisi ilmiah dari sebuah proses, seperti desain, biologi, dan kandungan kimia dari suatu obat. Ini merupakan tuntutan yang cukup sulit dipenuhi oleh perusahaan.
Masa depan AI dalam pengembangan obat di bidang farmasi
AI membantu peneliti berinovasi, membantu dokter memenuhi tuntutan pengobatan yang presisi, dan membantu perusahaan merilis obat penyelamat jiwa ke pasaran. Setiap tahun, semakin banyak kemitraan antara perusahaan farmasi dan teknologi, serta investasi yang besar pada perusahaan rintisan medtech dan AI.
Kami bahkan menemukan bahwa perusahaan-perusahaan farmasi besar saling berbagi data. Machine Learning Ledger Orchestration for Drug Discovery, atau MELLODDY, merupakan konsorsium yang memfasilitasi kegiatan berbagi data di antara puluhan anggotanya. MELLODDY menggunakan sistem berbasis blockchain yang memungkinkan perusahaan berbagi data kepemilikan sekaligus menjaga kerahasiaan. Peneliti dapat menggunakan data yang ada untuk segera memulai proses penemuan obat dan menghemat waktu yang dibutuhkan untuk mengembangkan obat.
Percepat riset dan pengembangan Anda
Ikuti kami