Comments 14
Очень познавательно. Конечно хотел бы. Есть вопрос: Допустим, для каждого препарата разрабатывается математическая модель, которая валидируется в ходе клинических исследований. Насколько применима такая модель в клинической практике? Сейчас, как я понимаю, разработанная модель трансформируется в бумажную инструкцию по применению. А ведь можно было бы (надеюсь) завернуть ее в какой-то компонент, который стандартным образом подключить к информационной системе, опять же стандартным образом "впрыснуть" в него данные о пациенте и получить оптимальные дозировку и режим. Реализуемо ли это?
Спасибо за обратную связь и релевантный вопрос! Да, вы правы : дозы, отраженные в инструкциях по применению уже учитывают особенности пациентов, в случае, если установлено, что они значимо влияют на эффективность и безопастность, однако есть случаи, где требуется более индивидуальный подход, и разработка ПО может облегчить жизнь пациентов и врачей. Например, людям с сахарным диабетом дозу инсулина помогает подобрать функция Bolus Wizard, реализованная в инсулиновых помпах Medtronic. Сейчас также активно исследуются подходы для создания системы, обеспечивающей подачу инсулина в автоматическом режиме без участия пациента. Есть особенность: программы, которые предполагается использовать в клинической практике, необходимо зарегистрировать как медицинское оборудование, для этого нужно провести клинические исследования.
В данный момент я обсуждаю идею создания ПО для одного из препаратов с коллегами и мы думаем на тему коллабораций с медцентрами.
Да, инсулин - один из препаратов, для которого применяется sliding scale dosing (особенно в стационаре), и тут я бы больше доверял автоматике, чем медсестре.
Насчет регистрации программ как медицинского оборудования - сейчас это применимо если они идут в составе медоборудования (та же инсулиновая помпа).
Я имел в виду немного другое: цифровизация ИМП. Было бы здорово если вместе с бумажкой держатель РУ регистрировал программный компонент который содержит математическую модель применения ЛС. Еще лучше если к этой модели держатель РУ прикладывает набор тестовых данных (подаем на вход набор исходных данных, смотрим ответы на выходе). Тогда вопрос регистрации программы как оборудования сводится к тому проходит она тесты от владельца РУ или нет.
Когда-нибудь регуляторы к этому придут, а пока это слишком радикальная, хотя и реализуемая, идея.
При регистрации препаратов в FDA и EMA прилагаются файлы моделей, их можно воспроизвести, в РФ такие вещи ещё только набирают обороты. Но тут снова врачи не являются конечным пользователями.
Врачам при назначении лечения легче ориентироваться на алгоритмы и стандарты. Я согласна, что если сделать визуализацию на базе тех же моделей, то можно много дополнительной информации получить, например, о пиковой активности препарата. Наша группа сейчас работает над софтом, который может решать такие задачи, мой коллега о нем писал https://habr.com/ru/articles/713192/. Чтобы адаптировать ПО под врачей, нам нужно лучше понимать проблемы реальной клинической практики использования конкретных препаратов, это для нас одно из направлений работы.
Вспомнила пример с интеграцией алгоритмов в инфузомат для введения пропофола https://www.sciencedirect.com/science/article/abs/pii/S0010482523002044
Можете привести пример файла модели или ссылку(и) на требования FDA/EMA ?
FDA выпускает гайды для разных задач. Вот, например, гайды по популяционному моделированию https://www.fda.gov/regulatory-information/search-fda-guidance-documents/population-pharmacokinetics и по pbpk https://www.fda.gov/regulatory-information/search-fda-guidance-documents/physiologically-based-pharmacokinetic-analyses-format-and-content-guidance-industry.
Модели, используемые в разработке практически всегда публикуются, их можно воспроизвести. Кроме того, есть клиникофармакологические ревью по препаратам, там также можно найти описание разных моделей, использованных в процессе разработки. Вот такой пример https://www.accessdata.fda.gov/drugsatfda_docs/nda/2014/206162Orig1s000ClinPharmR.pdf Сами файлы фармкомпании передают в FDA, они редко выкладываются в открытый доступ.
Спасибо, очень интересно. Вопрос немного перекликается с первым: насколько реально создание индивидуальных лекарств? Например, на основе молекулы, имеющей в среднем полезные и безопасные свойства, "докручивая" ее до конкретного пациента.
Сейчас под персионификацией/персонализацией терапии в первую очередь подразумевают назначение препаратов исходя из особенностей патогенеза заболевания. Это особенно заметно на примере таргетных терапий в онкологии. Приведу пример: есть PARP ингибиторы, которые хорошо работают у пациентов с определённой мутацией (BRACA), для всех других они - фактически плацебо. В данном случае перед назначением терапии проводится анализ на наличие мутации, если ее нет, то препарат не назначают. Но другой вопрос, что нужно эти биомаркеры ещё найти, а это как раз задача для анализа данных.
Так и не понял, при чем тут дата сцаенс и машинное обучение
При том, что их не всегда возможно использовать в качестве волшебной таблетки от всего, а нужно каждый раз перепроверять вручную то, что они там нагенерируют
Оно понятно, я вот пробую ЛЛМ для подбора терапии - понятно что перепроверять приходится - либо научные статьи погуглить, либо если специальность незнакомая со специалистом гипотезу машины обсудить. Из плюсов - ЛЛМ сильно сокращает объем прочтенных материалов для возникновения новой гипотезы.
А вот из статьи совершенно непонятно, в чем успех применения машинного обучения, для разработки препарата: сколько денег сэкономили на разработку? сколько времени съэкономили в разработке препарата? где примеры успешных кейсов?
Да, вопрос хороший! Отвечу на него лаконично - без всего этого дата сайенса ваш препарат не зарегестрируют в США, Европе и ряде других стран
а можно развернуто? что за программа? кто ее написал? что она может?
Вы имеете в виду программы, в которых весь изложенный датасайенс осуществляется?
1. Для разведочного анализа и визуализации данных, анализа выживаемости, dose/exposure-response анализа, некомпартментного анализа, метаанализа обычно используют R
2. Биоинформатики чаще работают на Python но могут и на R
3. Для PBPK есть софты Symcyp, PK Sim, GastroPlus
4. Для non-linear mixed effects моделирования используют Monolix или Nonmem
5. Любые модели, основанные на системах ОДУ, можно закодить в R, Matlab, Python, Berkeley Madonna
Все исходные данные, скрипты и модели фармкомпании отсылают в FDA/EMA – так процедура расчетов становится прозрачной для тех, кто принимает решение о выводе препарата на рынок.
Как Data Science помогает разрабатывать лекарства