Ο ψηφιακός μετασχηματισμός στην υπηρεσία των κλινικών μελετών

Η εποχή που τα δεδομένα υγείας παράγονται μόνο εντός των δομών υγείας έχει περάσει. Οι περισσότερες εταιρείες και ερευνητές σήμερα παράγουν συνεχώς μετρήσιμα δεδομένα που σχετίζονται με την υγεία, είτε σκόπιμα (π.χ. μέσω των monitors φυσικής κατάστασης και του τρόπου ζωής) είτε πιο παθητικά (για παράδειγμα μέσω των αναζητήσεων στο διαδίκτυο). Το ερώτημα, ωστόσο, σύμφωνα με την πρόεδρο της HACRO (Ελληνικός Σύλλογος των CROs) και πρόεδρος & διευθύνουσα σύμβουλος της CORONIS Research, Ευαγγελία Κοράκη, είναι το πόσο χρήσιμα είναι αυτά τα δεδομένα για το υγειονομικό σύστημα, καθώς και για τα άτομα που επιδιώκουν να βελτιστοποιήσουν την υγεία τους. Η απάντηση όπως εξηγεί η κ. Κοράκη είναι ότι όσο σημαντικά και αν είναι αυτά τα δεδομένα 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.

Στο πλαίσιο του Συνεδρίου με θέμα «Ψηφιακός Μετασχηματισμός στην Υγεία» του Συλλόγου Αντιπροσώπων Φαρμακευτικών Ειδών & Ειδικοτήτων (ΣΑΦΕΕ), η κ. Κοράκη επεσήμανε ότι αναμφίβολα η περισσότερο διαδεδομένη τεχνολογία είναι τα wearables, που φοριούνται στο σώμα και μπορούν να «αισθανθούν» το άτομο που τα φορά ή ακόμα και το περιβάλλον του. Παρά την ολοένα αυξανόμενη χρηστική αξία των wearables, αυτό που τους δίνει ζωή και ακόμα μεγαλύτερη προστιθέμενη αξία είναι το Internet of Things (ΙoΤ),δηλαδή η συνδεσιμότητα των συσκευών με διάφορες εφαρμογές μέσω των οποίων οι χρήστες αποκτούν πρόσβαση στα δεδομένα.  

Real World Data

Τα τελευταία χρόνια το ενδιαφέρον και η πρόσβαση των φαρμακευτικών εταιρειών σε αυξανόμενες ποσότητες επιστημονικών και ερευνητικών δεδομένων από διάφορες πηγές, γνωστά ως δεδομένα πραγματικού κόσμου (Real World Data, RWD), έχουν αυξηθεί σημαντικά. Πηγές των RWD 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.

Τι γίνεται όμως όταν τα RWD αποτελούν ταυτοχρόνως και Big Data; Σε αυτή την περίπτωση, το «ξεκλείδωμα» μεγάλου όγκου RWD μπορεί να γίνει μόνο με τη χρήση προγνωστικών μοντέλων τεχνητής νοημοσύνης (Artificial Intelligence, AI) και άλλων τεχνολογιών. H χρήση αυτών 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 και να βελτιωθεί σημαντικά ο σχεδιασμός των κλινικών δοκιμών.

Στο πλαίσιο αυτό, η τεχνητή νοημοσύνη 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. 

Machine Learning και Natural Language Processing

Σύμφωνα με την κ. Κοράκη, οι δύο βασικότερες και περισσότερο διαδεδομένες τεχνικές του AI είναι το Machine Learning και το Natural Language Processing. Η μηχανική εκμάθηση (ML) 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. Από την άλλη, η επεξεργασία φυσικής γλώσσας (Natural Language Processing ή NLP όπως συνήθως λέγεται), επιτρέπει σε έναν υπολογιστή να «κατανοήσει» το περιεχόμενο εγγράφων και ομιλίας με βάση τα συμφραζόμενα. Η τεχνολογία μπορεί στη συνέχεια να εξαγάγει, να οργανώσει και να κατηγοριοποιήσει με ακρίβεια τις πληροφορίες που παρέχονται.

Μολονότι, όπως τόνισε, τα Robotic Process Automations (RCA) ανήκουν στην ίδια επιστήμη με το Artificial Intelligence, δεν πρέπει να συγχέονται. Τα εργαλεία RCA μπορούν να επεξεργαστούν και να ερμηνεύσουν μη δομημένα δεδομένα, συμβάλλοντας έτσι σε σημαντικές προγνωστικές αναλύσεις. 

Μετρήσεις σε πραγματικό χρόνο

Όλες αυτές οι τεχνολογίες επιτελούν ένα σημαντικό έργο, επιτρέπουν την ενοποίηση των δεδομένων από τα διάφορα συστήματα σε μια κοινή πλατφόρμα ανάλυσης δεδομένων, η οποία δίνει real time metrics και insights, διευκολύνοντας έτσι τη συνεχή προσαρμογή των παραμέτρων σε μια κλινική μελέτη αλλά και τη λήψη προληπτικών αποφάσεων. Κάτι που επιτρέπει τον έγκαιρο εντοπισμό προκλήσεων ή σφαλμάτων, συμβάλλοντας σημαντικά στην επιτυχία μιας κλινικής δοκιμής. Και μολονότι η χρήση της τεχνητής νοημοσύνης δεν είναι ακόμα ευρέως εφαρμόσιμη σε κλινικές δοκιμές, έχει τη δυνατότητα ωστόσο να μεταμορφώσει την κλινική ανάπτυξη νέων θεραπειών. Οι εφαρμογές της, μάλιστα, θα οδηγήσουν σε ταχύτερες, ασφαλέστερες και σημαντικά λιγότερο δαπανηρές κλινικές μελέτες, επεσήμανε η ίδια.  

Συνεργασίες με στόχο τις κλινικές μελέτες

Όσο μακρινά και αν ακούγονται κάποια από αυτά, υπάρχουν ήδη αρκετά εταιρείες που δείχνουν ότι οι λύσεις αυτές ήδη δοκιμάζονται. Όπως για παράδειγμα η Novartis μαζί με την Quantum Black, γνωστή εταιρεία συλλογής δεδομένων στους αγώνες της Formula 1, που αποφάσισαν να χρησιμοποιήσουν την πλατφόρμα της για να αναλύουν τα δεδομένα 550 κλινικών μελετών που διενεργούσε σε εκείνο το χρονικό σημείο 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 αδερφή εταιρεία της Google, Verily, κατέληξε σε συνεργασία με τις Pfizer, Sanofi, Novartis, Otsuka, καθώς και δύο πανεπιστήμια (Duke και Stanford) ώστε με τη χρήση της πλατφόρμας της Verily να καθορίσουν το baseline ανθρώπινης υγείας μέσα από τη συλλογή δεδομένων από 10.000 συμμετέχοντες σε 4 χρόνια.

Η Janssen σε συνεργασία με την Apple πραγματοποίησε κλινική μελέτη χρησιμοποιώντας το apple watch με σκοπό να βελτιώσει την πρόωρη διάγνωση και τα αποτελέσματα της κολπικής μαρμαρυγής, ενώ η μητρική Johnson & Johnson έκανε μια εντελώς virtual μελέτη για να δει αν το apple watch σε συνδυασμό με ένα iphone application θα μπορούσαν να μειώσουν τον κίνδυνο ισχαιμικού επεισοδίου.

Τον Φεβρουάριο του 2020 το clinicaltrials.gov έδειχνε πως περίπου 460 μελέτες με wearables ήταν υπό εξέλιξη, ενώ σύμφωνα με κάποια έρευνα της Intel εκτιμάται πως περίπου το 70% των κλινικών μελετών θα ενσωματώσουν κάποιο wearable μέχρι το 2025.

Η πανδημία επιτάχυνε τον ψηφιακό μετασχηματισμό

Υπάρχει μεγάλη απόσταση μέχρι την καθολική υιοθέτηση των νέων τεχνολογιών, όμως η προηγούμενη χρονιά απέδειξε πως με τα κατάλληλα κίνητρα μπορούν και θα γίνουν τεράστια βήματα σε πολύ σύντομο χρόνο. «Ο ψηφιακός μετασχηματισμός, η μεταφορά των κλινικών μελετών από τα ερευνητικά κέντρα στους ίδιους τους ασθενείς, καθώς και η ενδυνάμωση της φωνής τους στη διαδικασία ανάπτυξης νέων φαρμάκων αποτέλεσαν τον πυρήνα των αλλαγών που ακολούθησαν την πανδημία του κορονοϊού» όπως επισημαίνει η κ. Κοράκη.

Μία από τις τεχνολογικές λύσεις που κατέστη «αναγκαία» κατά την περίοδο της πανδημίας, αν και υπήρχε εδώ και μια δεκαετία, ήταν το eConsent, που ενημερώνει τον ασθενή διαδραστικά για τη μελέτη, επιτρέποντας την απομακρυσμένη συγκατάθεσή του. Άλλες τεχνολογικές λύσεις, που εδραίωσαν περισσότερο τη θέση τους στην πορεία των κλινικών μελετών, ήταν τα wearables, που μετρούν και καταγράφουν διάφορες ζωτικές ενδείξεις του ασθενούς, τις οποίες μεταφέρουν στον θεράποντα ιατρό-ερευνητή, τα electronic Patient Reported Outcomes, που συνήθως αφορούν σε ερωτηματολόγια για την ποιότητα ζωής του ασθενούς, ενώ μετρούν την αντίληψή του για την εμπειρία του από τη συμμετοχή του στη μελέτη και τέλος ο Ηλεκτρονικός Φάκελος Ασθενούς, που συγκεντρώνει όλες τις πληροφορίες για το ιατρικό ιστορικό του ασθενούς, την κατάσταση και την εξέλιξη της υγείας του.

Ωστόσο, όλες αυτές οι λύσεις θα είχαν περιορισμένη ίσως αξία χωρίς την παρουσία των patient portals και των mobile patient applications, τα οποία είναι τα συστήματα που διευκολύνουν τη ροή της πληροφορίας και τη συλλογή των δεδομένων. Όπως τόνισε η ίδια, ενώ η ασθενοκεντρική προσέγγιση επιβάλλει patient portals και mobile apps, η ερευνητοκεντρική προσέγγιση επιβάλλει τα αντίστοιχα online communication platforms, τα οποία σήμερα, που η διά ζώσης επικοινωνία με τα κέντρα υπόκειται σε περιορισμούς, είναι περισσότερο αναγκαία από ποτέ. Αρχικά, δίνουν τη δυνατότητα όλες οι πολύτιμες για τη μελέτη πληροφορίες να βρίσκονται σε ένα σημείο, παρέχουν την ευελιξία προτεραιοποίησης των υποχρεώσεων των ερευνητών με action items και σχετικές υπενθυμίσεις, ενώ, παράλληλα, προσφέρουν τη δυνατότητα άμεσης αλληλεπίδρασης με τον ασθενή, αλλά και τον επιτηρητή της μελέτης, όπως και να παρακολουθούν διάφορες διαδικασίες.

Υβριδικό μοντέλο μελετών

Το εύλογο λοιπόν ερώτημα για πολλούς είναι: αφού όλα αυτά ήταν διαθέσιμα, ποια είναι η αλλαγή που συντελέστηκε; Και όμως, όπως εξηγεί η πρόεδρος του Ελληνικού Συλλόγου CRO’s – HACRO, η χρήση τους από προαιρετική έγινε αναγκαία, ενώ πλέον γίνεται όλο και περισσότερο ευρεία. Απόρροια αυτών είναι ότι το κόστος των ψηφιακών λύσεων μειώθηκε σημαντικά, με αποτέλεσμα να αποτελούν σήμερα περισσότερο από ποτέ εφικτές λύσεις για όλους. Την ίδια στιγμή, προσφέρουν πιο απλοποιημένα περισσότερες δυνατότητες, ενώ, παράλληλα, δίνουν τη δυνατότητα της μεταξύ τους ενσωμάτωσης με αποτέλεσμα την αυτοματοποιημένη μεταφορά δεδομένων.

«Διανύουμε μια εποχή που οι κλινικές μελέτες ενσωματώνουν στοιχεία τόσο από παραδοσιακές -on-site- μελέτες όσο και από μελέτες virtual» επισημαίνει, συμπληρώνοντας ότι στην ουσία μιλάμε πια για ένα υβριδικό μοντέλο μελετών. Μπορεί οι αποκεντρωμένες μελέτες να είναι ο απώτερος στόχος, αλλά σίγουρα δεν είναι κάτι τελείως καινοτόμο, καθώς πολλές από τις μεθόδους και τεχνολογίες που τις χαρακτηρίζουν χρησιμοποιούνται εδώ και περίπου μια δεκαετία. Αυτό που συνέβη με την πανδημία είναι η ταχύτερη και περισσότερο ευρεία υιοθέτησή τους.

Το βασικό στοιχείο των αποκεντρωμένων μελετών είναι η απομακρυσμένη λειτουργία και υποστήριξη: μειωμένες επισκέψεις των ασθενών στα ερευνητικά κέντρα, απομακρυσμένη συλλογή δεδομένων μέσω wearables και Patient Reported Outcomes, πραγματοποίηση των επισκέψεων της μελέτης μέσω τηλεφώνου ή βίντεο είναι αυτά που μεταφέρουν τη δοκιμή από το ερευνητικό κέντρο στο σπίτι του ασθενούς. Και όχι μόνο! Με σκοπό τη διευκόλυνση του ασθενούς, εξειδικευμένο προσωπικό αναλαμβάνει την κατ’ οίκον συλλογή δειγμάτων για εργαστηριακές εξετάσεις, ενώ σε κάποιες περιπτώσεις- παραδίδεται απευθείας στον ασθενή το ερευνητικό φάρμακο. Στο ένα τέτοιο πλαίσιο, ο ερευνητής αποφορτίζεται από μεγάλο γραφειοκρατικό φόρτο, αφού οι περισσότερες διαδικασίες γίνονται αυτοματοποιημένα ή με κεντρική διαχείριση. Ταυτόχρονα, έχει πρόσβαση σε πραγματικό χρόνο στα δεδομένα του ασθενούς, ενώ -με τα διάφορα ψηφιακά κανάλια επικοινωνίας- βελτιώνεται ακόμα περισσότερο η σχέση του με τον ασθενή. Τέλος, η επιτήρηση της κλινικής δοκιμής ωθείται όλο και περισσότερο προς το μοντέλο του centralized monitoring, με απομακρυσμένες επισκέψεις επιτήρησης (remote visits), το πλάνο των οποίων δομείται με βάση την ανάλυση κινδύνου της κάθε μελέτης. 

Η ασθενοκεντρική προσέγγιση

Μια άλλη τάση που έλαβε ακόμα μεγαλύτερη ώθηση μετά την πανδημία είναι η ασθενοκεντρική προσέγγιση. Γνωρίζουμε ότι ο ασθενής του σήμερα γίνεται πιο ενεργός σε ό,τι τον αφορά, είναι ενημερωμένος, έχει πρόσβαση στην πληροφορία, γνωρίζει καλά τις ανάγκες του και θέλει να μαθαίνει όσο το δυνατόν περισσότερα για την κατάσταση της υγείας του και τη θεραπεία που λαμβάνει.

Όπως όλα δείχνουν οι ασθενείς επιθυμούν και επιδιώκουν να αποκτήσουν ενεργό συμμετοχή στη διαχείριση της υγείας τους. Στα πλαίσια των κλινικών μελετών και ιδιαίτερα την περίοδο της πανδημίας, χρειάστηκαν και χρειάζονται ακόμα περισσότερες πληροφορίες σχετικά με τη μελέτη στην οποία λαμβάνουν μέρος. Πληροφορίες για την τρέχουσα κατάσταση της μελέτης, για τυχόν αλλαγές στις επισκέψεις παρακολούθησης, για τους κινδύνους διακοπής ή συνέχισης- της θεραπείας τους. Επίσης, στην περίοδο της πανδημίας δημιουργήθηκε ακόμα μια ανάγκη: η αναπλήρωση της διά ζώσης παρακολούθησής τους από τον θεράποντα ιατρό, με οποιουδήποτε άλλου είδους αλληλεπίδραση μαζί του.

Όπως μας εξηγεί η κ. Κοράκη, από το ξέσπασμα της πανδημίας και μετά συντελούνται σημαντικές αλλαγές σε δύο βασικά στοιχεία της κλινικής έρευνας: τον χρόνο και την επικοινωνία.

Περισσότερο διαδραστική-πολυκαναλική επικοινωνία

Η επικοινωνία ανάμεσα στα εμπλεκόμενα μέρη (ασθενείς-ερευνητές, ερευνητές-επιτηρητές και επιτηρητές-χορηγούς) γίνεται περισσότερο διαδραστική-πολυκαναλική, με περισσότερη διαφάνεια, είναι πιο κεντρικοποιημένη και όλα τα περιττά στάδια εξαλείφονται. Και αυτή η απλοποίηση των διαδικασιών όχι μόνο κάνει πιο εύκολη και ρεαλιστική τη διεξαγωγή των πρωτοκόλλων, αλλά συντομεύει κατά πολύ τους χρόνους ολοκλήρωσης μιας μελέτης.

Η παγκόσμια τάση ψηφιακού μετασχηματισμού οδηγεί, όπως λέει, ήδη σε έναν εκθετικό ρυθμό αλλαγών, αρχικά στο σύστημα υγείας και κατ’ επέκταση στον κλάδο της κλινικής έρευνας. Όμως, για να επιτευχθεί η πλήρης αξιοποίηση των προσφερόμενων λύσεων πρέπει να ρυθμιστούν όλα τα επιμέρους θέματα που θα μπορούσαν να αποτελέσουν πιθανά εμπόδια, όπως η δυσκολία συμμόρφωσης των νοσοκομείων με τον GDPR, η ανεπαρκής εκπαίδευση και εξοικείωση του πληθυσμού με τις νέες τεχνολογίες κ.λπ. Άρα, σταθερά και συντονισμένα βήματα από τη μία και ένα πλάνο μεταρρύθμισης προσαρμοσμένο στις εθνικές ανάγκες και -κυρίως- ανάλογο της ψηφιακής ωριμότητας και των δυνατοτήτων της χώρας, θα κρίνουν το πέρασμά μας στη νέα εποχή των κλινικών μελετών.

Η εξέλιξη στην Ελλάδα

Η πορεία εγκρίσεων των κλινικών μελετών στην Ελλάδα τα τελευταία 9 χρόνια έδειξε μια μικρή αύξηση, ενώ σύμφωνα με τα στοιχεία το 2020 παρά την πανδημία και τις σημαντικές αλλαγές που έγιναν στις αγορές δεν παρατηρήθηκε πτώση στον αριθμό των κλινικών μελετών που εγκρίθηκαν. Αλλά ενδεχομένως κάποιες σε παγκόσμιο επίπεδο λόγω COVID είτε να τερματίστηκαν πρόωρα είτε να τέθηκαν σε αναμονή (on hold).