Kombination von Data Science RWE für bessere klinische Ergebnisse bei immunologischen Erkrankungen

Von Hemanth Kanakamedala, Senior Director, The Janssen Pharmaceutical Companies of Johnson & Johnson

Während wir uns weiterhin bemühen, immunvermittelte entzündliche Erkrankungen (IMIDs) besser zu verstehen und neue Lösungen für den ungedeckten Behandlungsbedarf von Patienten zu entwickeln – insbesondere für Patienten mit seltenen Krankheiten oder Patienten mit häufigen, aber schwer zu behandelnden Krankheiten wie Psoriasis-Arthritis (PsA ), rheumatoider Arthritis (RA) und entzündlichen Darmerkrankungen (IBD), zu denen Morbus Crohn (CD) und Colitis ulcerosa (UC) gehören – die Janssen-Teams für Immunologie und F&E Data Science nutzen Daten aus der realen Welt (RWD), um die Auswirkungen voranzutreiben den Lebenszyklus der Arzneimittelentwicklung.

Wir wenden maschinelles Lernen und künstliche Intelligenz (KI) auf Real-World-Daten (RWD) an – einschließlich Verwaltungsansprüchen, elektronischen Patientenakten, Labordaten, Krankheitsregistern – um Nachweise zu Diagnose, Prognose und Ätiologie zu generieren. Dies ist entscheidend, um einen relevanten Kontext für den angemessenen Einsatz neuer und bestehender Therapien bereitzustellen. Solche Erkenntnisse aus der realen Welt (RWE) geben uns ein tieferes Bewusstsein für die medizinischen Bedürfnisse der Patienten, ihre Reise, Lücken in aktuellen Behandlungsoptionen und eine Vision für neue Forschungsgebiete. Einige spezifische Wirkungsbereiche werden unten hervorgehoben.

RWD erweist sich als unschätzbar wertvoll für die Identifizierung und Entwicklung von Biomarkern

RWD – powered by Data Science – hilft uns, die Krankheiten, die wir bekämpfen, und die von ihnen betroffenen Patienten besser zu verstehen. Bei Janssen verwenden wir RWD, um detaillierte phänotypische Profile zu erstellen, die eine umfassende Analyse der klinischen Merkmale von Patienten und ihrer immunologischen Erkrankungen ermöglichen. Dies ist nicht nur eine Bewertung dessen, was in den Krankenakten der Patienten dokumentiert ist, sondern auch in ihren Labors und/oder Bildgebungsverfahren. Diese Informationen helfen uns, mithilfe von KI und NLP genauere Krankheitsklassifizierungssysteme zu entwickeln, die uns auf dem Weg zur Präzisionsmedizin einen Schritt näher bringen.¹ Dies hilft uns, neuartige Biomarker für Krankheiten zu identifizieren und vielversprechende Verbindungen zu finden und klinisch voranzutreiben, die auf sie abzielen können.

Nutzung von Data Science und RWD zur Gestaltung intelligenterer, effizienterer und repräsentativerer klinischer Studien

Die Kenntnis des natürlichen Verlaufs einer Krankheit ist entscheidend für die Arzneimittelentwicklung. Wir verwenden RWD, um das Design unserer Interventionsstudien zu informieren, einschließlich Einschluss-/Ausschlusskriterien, diagnostischer Kriterien, angemessener Nachsorge, Annahmen zur Unterstützung der Studie und anderer Designkomponenten.

RWD ist besonders wichtig für die Arzneimittelentwicklung bei extrem seltenen immunologischen Erkrankungen wie der hämolytischen Erkrankung des Fötus und des Neugeborenen (HDFN), einer Erkrankung, die auftritt, wenn mütterliche rote Blutkörperchen oder Blutgruppenantikörper während der Schwangerschaft die Plazenta passieren und eine Zerstörung der fötalen roten Blutkörperchen verursachen . Randomisierte kontrollierte Studien sind in solchen Populationen oft nicht durchführbar und unethisch. Folglich wurden Patientenpopulationen wie diese in der Vergangenheit von traditionellen klinischen Entwicklungsprogrammen unterversorgt. Wir schreiben solche Patienten in einarmige Studien mit realen externen Kontrollarmen ein, wobei strenge Methoden zur Kontrolle von Confounding verwendet werden.

Grundlegend für die erfolgreiche Behandlung von immunologischen Erkrankungen ist die Rekrutierung von Patienten, die die gleichen Merkmale wie diejenigen in der realen Welt für unsere Studien aufweisen. Vielfalt, Chancengleichheit und Inklusion, die in die Einschluss-/Ausschlusskriterien von Studien eingebettet sind, und eine aktive Patientenrekrutierung sind von entscheidender Bedeutung, um den Bedürfnissen aller Patienten gerecht zu werden, und ermöglichen es uns, den Zugang zu innovativen Therapien zu verbessern. Ohne Einbeziehung aller Patientensubpopulationen mit immunologischen Erkrankungen ist es für Forscher schwierig, ein umfassendes Verständnis des Krankheitsverlaufs und des Ansprechens auf die Therapie in wichtigen Patientenuntergruppen zu erhalten.

Dies ist besonders wichtig in unterrepräsentierten und wenig untersuchten Bevölkerungsgruppen. Wir fragen uns ständig, ob unsere Standorte für klinische Studien an den richtigen Orten sind und ob wir unsere klinischen Studien allen Populationen von Patienten mit immunologischen Erkrankungen zugänglich machen. Vor diesem Hintergrund wendet Janssen KI und maschinelles Lernen auf RWD an, um zu erkennen, wo sich Patienten mit seltenen oder schwer zu diagnostizierenden Krankheiten befinden, und um die Platzierung von Studienzentren zu informieren – mit dem Ziel, Gemeinschaften von Patienten zu ermöglichen, die möglicherweise keine haben in der Vergangenheit an einer klinischen Studie teilgenommen haben, um sich für eine Studie anzumelden.

Wir wissen, dass Krankheiten und Medikamente je nach Rasse und ethnischer Zugehörigkeit unterschiedliche Auswirkungen auf Menschen haben können, daher ist die Abstimmung der Registrierung für klinische Studien mit der Demografie der Patientenpopulation von entscheidender Bedeutung. Einfache, aber wirkungsvolle Entscheidungen, wie z. B. sicherzustellen, dass sich die Standorte klinischer Studien an zugänglichen Orten in historisch unterversorgten Gemeinden befinden, machen einen großen Unterschied in unserer Fähigkeit, eine repräsentative Bevölkerung zu erreichen, um sicherzustellen, dass wir alles darüber erfahren, wie unsere neuen Therapien die unerfüllten medizinischen Möglichkeiten ansprechen Bedarf für alle Rassen, Ethnien und Geschlechter.

Integrieren von digitalen, realen Endpunkten in Studien

Zu verstehen, wie eine Verbesserung in einer realen klinischen Umgebung gesehen und gemessen würde, ist der Schlüssel zur Verbesserung der Ergebnisse bei Patienten mit Krankheiten wie Zöliakie und anderen IMIDs. Wichtige RWD wie Endoskopievideos und Histologie-Objektträger – die Computervisionsalgorithmen zur Messung des Schweregrades der Erkrankung verwenden – sind in unsere klinischen CD-Studien integriert und schaffen eine Brücke zwischen den Ergebnissen klinischer Standardstudien und Maßnahmen, die in einem klinischen Umfeld der realen Welt geschätzt werden.

Ein RWE-Ansatz ermöglicht die Sammlung umfassenderer Daten, sodass wir die Ergebnisse randomisierter kontrollierter Studien (RCT) mit Fragen zu Diagnose, Prognose und Krankheitsätiologie kontextualisieren können. Antworten auf diese Fragen sind auch entscheidend, um den Wert der Veränderung eines Gesundheitsergebnisses zu artikulieren.

Vergleichende Wirksamkeitsforschung nach Produkteinführung

Tokenized RWE hilft uns auch dabei, während und nach Abschluss unserer Studien Beweise für die Nutzung von Gesundheitsressourcen und andere reale Ergebnisse zu generieren. Nach der Einführung überwachen wir die Wirksamkeit und Sicherheit unserer Produkte durch die Analyse von RWD. Um die Einschränkungen traditioneller Fall-Kontroll-Designs abzumildern, emulieren wir pragmatische RCTs unserer zugelassenen Behandlungen². Diese Art der vergleichenden Generierung von Evidenz ist entscheidend für die Information über die Wirksamkeit unserer Therapien in der Praxis.

RWE spielt in unseren immunologischen Studien zunehmend eine entscheidende Rolle über den gesamten Produktlebenszyklus hinweg. Um mehr über unsere Arbeit zu erfahren, besuchen Sie unsere Immunologie Sonstiges F&E Data Science Websites.

Verweise

1. Weng, C. et al. Tiefe Phänotypisierung: Umfassen von Komplexität und Zeitlichkeit – Auf dem Weg zu Skalierbarkeit, Portabilität und Interoperabilität. J Biomed informieren. 2020;105:103433. https://doi.org/10.1016/j.jbi.2020.103433
2. Miguel A. Hernán, James M. Robins. Verwendung von Big Data zur Emulation einer Zielstudie, wenn eine randomisierte Studie nicht verfügbar istAmerican Journal of Epidemiology, Band 183, Ausgabe 8, 15. April 2016, Seiten 758-764, https://doi.org/10.1093/aje/kwv254

Über den Autor:

Hemanth Kanakamedala ist Senior Director, Immunology bei Janssen R&D Data Sciences. Seine Expertise liegt im Ziehen kausaler Schlussfolgerungen unter Verwendung von nicht randomisierten Beobachtungsdaten. Seine Arbeit konzentriert sich auf extern kontrollierte Interventionsstudien, die Emulation randomisierter Experimente unter Verwendung von Beobachtungsdaten und die Integration patientenzentrierter digitaler Gesundheitsendpunkte in Studien. Bevor er zu Janssen kam, unterstützte Kanakamedala 10 Jahre lang das Design und die Durchführung von randomisierten, kontrollierten Studien der Phasen 1–3 und nicht-interventionellen Studien. Er hat einen Abschluss in Mathematik und Statistik von der University of Massachusetts, Amherst.