Osiem pytań, które widzą Alzheimera szybciej niż badacz

Badania kliniczne nad lekami na Alzheimera pożerają miliardy dolarów. Większość kończy się w fazie III porażką, nie dlatego, że lek nie działa, tylko dlatego, że narzędzia do pomiaru skuteczności są wolne, subiektywne i wymagają ogromnych prób. Model oparty na ośmiu rutynowych testach poznawczych pokazuje, że da się to zmienić, skracając czas potrzebny do odczytania pierwszego sygnału terapeutycznego nawet o jedną trzecią.

Problem: skale, które ważą za wolno

Standardem w badaniach nad chorobą Alzheimera są rozbudowane baterie, takie jak ADAS-Cog czy CDR-SB. Potrzebują godzin, klinicysty z certyfikatem i powtarzania co 6 albo 12 miesięcy. Mimo to ich czułość na zmiany wczesnych stadiów bywa mizerna. W próbach leków modyfikujących przebieg choroby oznacza to jedno: żeby zobaczyć różnicę między placebo a aktywnym lekiem, trzeba dziesiątek miesięcy i setek pacjentów w każdym ramieniu. A potem i tak regulator może powiedzieć, że dane nie są przekonujące.

Rozwiązanie: osiem rutynowych pomiarów jako cyfrowy termometr

Model XGBoost, wytrenowany na danych z inicjatywy ADNI (1641 osób, 608 ze zdrowym poznaniem, 767 z łagodnymi zaburzeniami, 266 z demencją), osiągnął makro AUC 0.982 w klasyfikacji trzech stadiów. Do działania potrzebuje tylko ośmiu zmiennych: MMSE, CDR Global, CDR Sum of Boxes, MoCA, FAQ, wiek, płeć i lata edukacji. Żadnych markerów płynu rdzeniowego, żadnego PET. Rutynowa wizyta, kilkadziesiąt minut, a wynik daje prawdopodobieństwo przynależności pacjenta do kategorii NC, MCI lub AD z precyzją trudną do osiągnięcia przez przeciętnego oceniającego. Co istotne, SHAP pokazuje źródło decyzji: np. że dla postępu z MCI do AD kluczową rolę odgrywa spadek CDR-SB i MMSE, a nie demografia. To jest dowód, który można położyć na biurku regulatora, a nie czarną skrzynkę.

Scenariusz: jak skrócić badanie kliniczne o 6 miesięcy

Wyobraźmy sobie badanie II fazy z lekiem spowalniającym progresję. Zamiast czekać 18 miesięcy na twardy odczyt ADAS-Cog, zespół kliniczny zbiera osiem zmiennych podczas każdej kwartalnej wizyty. Model ocenia każdego pacjenta i generuje trend. Po 12 miesiącach w grupie aktywnej 15% więcej uczestników przesuwa się z MCI do NC niż w placebo, a wartość SHAP dla MMSE w grupie leczonej rośnie, podczas gdy w kontrolnej stoi w miejscu. Badacz widzi sygnał farmakodynamiczny wcześniej i może zarekomendować przejście do fazy III z mocniejszym uzasadnieniem statystycznym. Pół roku szybciej. Mniejsza liczba pacjentów potrzebna do uzyskania istotności, bo model daje ciągłą, obiektywną miarę zamiast uznaniowych kategorii.

Korzyści i pieniądze

Według raportów branżowych koszt jednego pacjenta w badaniu III fazy nad Alzheimerem to średnio 80–120 tysięcy dolarów rocznie. Skrócenie czasu trwania badania o 6 miesięcy przy próbie 800 pacjentów daje oszczędności rzędu 30–40 milionów dolarów, nie licząc szybszego wejścia na rynek. Do tego dochodzi niższe ryzyko porażki: model zauważa subtelne przesunięcia wcześniej, więc złe kandydatury na leki można wycofać w fazie II za 15 milionów zamiast topić 200 w fazie III. Wyjaśnialność SHAP pomaga też w przygotowaniu dokumentacji do FDA i EMA, bo pokazuje mechanizm biologiczny: które domeny poznawcze odpowiadają na terapię i w jakim stopniu.

Co dalej

Technologia nie wymaga budowy własnego modelu od zera. Można użyć ciężarów wytrenowanych na ADNI i fine-tune’ować na danych z własnego pipeline’u. Najlepiej zacząć od retrospektywy: zebrać wyniki MMSE, CDR i MoCA z zakończonych badań i sprawdzić, jak szybko algorytm wykryłby progresję w porównaniu z decyzją kliniczną. Czas potrzebny na pilotaż to 3–4 tygodnie. Jeśli trafienie w retrospektywę przekroczy 90%, włączenie go jako eksploracyjnego endpointu w nowym badaniu jest uzasadnione biznesowo i naukowo.

• Skrócenie czasu trwania badania o 25-30% dzięki czulszemu pomiarowi progresji
• Oszczędność 30-40 mln USD na jednym badaniu fazy III (mniejsza próba i krótszy czas)
• Wyjaśnialne decyzje modelu SHAP wzmacniają dokumentację rejestracyjną dla FDA/EMA
• Obniżenie ryzyka późnej porażki leku przez wcześniejsze wykrycie braku skuteczności

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.