AI in Pharma for Personalized Sequential Decision-Making: Methods, Applications and Opportunities

要約

製薬業界では、人工知能 (AI) の使用が過去 10 年間に一貫して増加しています。
この増加は、統計的機械学習の方法論、計算能力、および大規模なデータセットの可用性の増加による大きな進歩によるものです。
AI 技術は、創薬から市販後の利益とリスクの評価に至るまで、医薬品開発のさまざまな段階にわたって適用されます。
コルリら。
これらの段階にわたるいくつかのケーススタディのレビューを提供し、タンパク質構造予測、成功確率推定、サブグループ同定、AI 支援臨床試験モニタリングなどの主要なアプリケーションを特集しました。
規制の観点から見ると、2021 年には AI コンポーネントを組み込んだ申請が顕著に増加しました。AI を活用した最も一般的な治療分野は、腫瘍学 (27%)、精神医学 (15%)、消化器病学 (12%)、神経学 (11%) でした。
。
個別化医療または精密医療のパラダイムは、AI 技術の進歩により、最近の研究で大きな注目を集めています \cite{hamburg2010path}。
この変化は製薬業界に変革的な影響を与えました。
個別化医療は、従来の「画一的な」モデルから脱却し、環境条件、ライフスタイルの選択、健康歴などのさまざまな個人要因を組み込んで、カスタマイズされた治療計画を策定します。
高度な機械学習アルゴリズムを利用することで、臨床医や研究者は病気の予防、診断、治療法選択などの分野で情報に基づいた意思決定を行う能力が向上し、それによって各個人の健康成果を最適化できます。

要約(オリジナル)

In the pharmaceutical industry, the use of artificial intelligence (AI) has seen consistent growth over the past decade. This rise is attributed to major advancements in statistical machine learning methodologies, computational capabilities and the increased availability of large datasets. AI techniques are applied throughout different stages of drug development, ranging from drug discovery to post-marketing benefit-risk assessment. Kolluri et al. provided a review of several case studies that span these stages, featuring key applications such as protein structure prediction, success probability estimation, subgroup identification, and AI-assisted clinical trial monitoring. From a regulatory standpoint, there was a notable uptick in submissions incorporating AI components in 2021. The most prevalent therapeutic areas leveraging AI were oncology (27%), psychiatry (15%), gastroenterology (12%), and neurology (11%). The paradigm of personalized or precision medicine has gained significant traction in recent research, partly due to advancements in AI techniques \cite{hamburg2010path}. This shift has had a transformative impact on the pharmaceutical industry. Departing from the traditional ‘one-size-fits-all’ model, personalized medicine incorporates various individual factors, such as environmental conditions, lifestyle choices, and health histories, to formulate customized treatment plans. By utilizing sophisticated machine learning algorithms, clinicians and researchers are better equipped to make informed decisions in areas such as disease prevention, diagnosis, and treatment selection, thereby optimizing health outcomes for each individual.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google