查尔斯·费舍尔(Charles K. Fisher)博士说:“我们今天发布的结果令我们感到兴奋,因为它们进一步验证了我们的平台及其潜在的潜力,可大大减少在阿尔茨海默氏病等重要患者需求领域开展临床试验所花费的时间。” ,Unlearn.AI的创始人兼首席执行官。阿尔茨海默氏病的药物开发越来越昂贵且耗时。我们相信,我们的平台可以帮助减轻这些负担并加快临床试验,从而为需要它们的患者提供新药。”
Unlearn正在通过其基于机器学习的模型来解决患者招募这一与阿尔茨海默氏病临床试验相关的最大挑战之一,该模型将数字化双胞胎纳入临床研究的智能控制臂。Digital Twin是综合的,纵向的和计算生成的临床记录,描述了如果特定患者接受安慰剂会发生的情况。专有的DiGenesis™工艺利用了成千上万名患者的历史临床试验数据集,特定疾病的机器学习模型以及严格的统计分析,以创建与研究治疗组中的患者完全匹配的数字记录。
为了从其阿尔茨海默氏病模型中获得大量多样的控制数据样本,Unlearn通过其16个历史临床试验的对照研究中的5,000名患有早至中度阿尔茨海默氏病的人的阿尔茨海默氏病关键路径(CPAD)的成员身份使用了记录。该模型在18个月内捕获了与阿尔茨海默氏病相关的50个临床变量(如神经系统检查的组成部分)之间的关系,以跟踪疾病的进展。
辉瑞医疗部门负责疼痛和神经科学的前副总裁玛丽娜·布罗德斯基(Marina Brodsky)博士说:“目前的临床试验状态极具挑战性,特别是对于衰弱性疾病如阿尔茨海默氏病,患者招募特别困难。”“这些发现令我感到鼓舞,并看到Unlearn平台具有巨大的潜力,可以改变我们为临床试验填充控制臂的方式,从而大大减少了将其尽快送给迫切需要它们的患者的时间。”
有关Unlearn早期阿尔茨海默氏病模型有效性的详细信息,也已发表在《自然科学报告》的一篇名为《机器学习来全面预测阿尔茨海默氏病进展的文章》中。