���ʵ���

Lääkekehitys on työläs ja aikaa vievä prosessi. Uuden lääkkeen kehittäminen vie keskimäärin 10 vuotta, joista kliinisten tutkimusten osuus on jopa seitsemän vuotta. Reseptilääkkeen kehittämiseen kuluu keskimäärin kaksi miljardia euroa.

Kliinisiin lääketutkimuksiin voi liittyä myös eettisiä ongelmia, kun tutkimuksiin kutsuttavista potilaista toinen ryhmä saa uutta lääkettä ja toinen lumelääkettä tai senhetkistä parhaaksi tunnettua lääkettä. Tämä on ongelma erityisesti harvinaisissa sairauksissa, joihin ei ole vielä olemassa toimivaa lääkitystä.

”Ratkaisuna voi olla virtuaalinen verrokkiryhmä, joka koostetaan tekoälyn avulla lääketieteellisistä tietokannoista. Näin verrokkiryhmään ei tarvitse värvätä potilaita, mikä lisää myös lääkekehityksen kustannustehokkuutta”, sanoo professori Harri Lähdesmäki Aalto-yliopistosta ja Suomen tekoälykeskuksesta (FCAI). 

Tekoälymenetelmistä etsitään apua myös lääketutkimusdatan laadun ja luotettavuuden parantamiseen. Parhaassa tapauksessa tutkimuksella voidaan parantaa lääketutkimuksen käytäntöjä maailmanlaajuisesti.

”Tavoitteena on, että tekoälyyn perustuvilla algoritmeilla voidaan tunnistaa entistä herkemmin lääkkeiden haittavaikutuksiin liittyviä harvinaisiakin signaaleja. Etsimme myös mahdollisuuksia tutkimuksessa tarvittavien potilasmäärien vähentämiseen niin, että tutkimuksen turvallisuus ja luotettavuus säilyvät”, Bayerin Principal Clinical Data Scientist Jussi Leinonen kertoo.

Suomi ykkönen terveystietokannoissa

Kansainvälistä Future Clinical Trials -hanketta johtaa Bayerin Suomen kliinisen lääketutkimuksen yksikkö. Business Finlandin tukeman kolmivuotisen hankkeen tavoitteena on rakentaa yritysten, yliopistojen ja terveysalan toimijoiden muodostama innovaatioekosysteemi, joka tekisi Suomesta kliinisen lääketutkimuksen kärkimaan.

”Pohjoismaissa on perinteisesti tehty suhteellisen vähän kliinistä lääketutkimusta. Varsinkin Suomessa haasteena on ollut pieni väestömäärä. Terveysdatan nykyistä suurempi hyödyntäminen algoritmikehityksen ja tekoälyratkaisujen avulla kompensoisi tätä ja olisi tutkimukselle iso voitto. Suomessa on erittäin laadukasta terveysdataa ja johtavat käytännöt sen jakamiseen”, sanoo Leinonen. 

Aalto-yliopisto osana FCAI:ta kehittää projekteissa tilastollisia koneoppimismalleja, joilla potilaista eri aikajaksoilla kerättyä terveysdataa voidaan mallintaa. Ongelmana lääkekokeisiin osallistuvan potilasryhmän ja terveysdatasta muodostetun verrokkiryhmän analysoinnissa on mittausaineistojen vertailukelpoisuus. Aineistot voivat olla vain osittain päällekkäisiä ja mittaussuureet erilaisia. 

”Kahden eri tietoaineiston tilastolliseen harmonisointiin tarvitaan uudenlaista laskennallista päättelykoneistoa, joka mahdollistaa uuden lääkkeen tehokkuuden luotettavan vertailun eri aineistojen välillä”, Lähdesmäki huomauttaa.

Monet tekoälyä soveltavat tekniikat tiedetään toimiviksi, kun niiden taustalla ovat massiiviset mittausaineistot. Useimmiten terveyteen ja lääketieteeseen liittyvät mittausaineistot ovat kuitenkin rajallisia. ”Laskennan näkökulmasta tekoälymenetelmiä on kehitettävä niin, että ne tarjoavat luotettavia johtopäätöksiä myös rajallisesta potilasmäärästä tehdyistä analyyseistä. Toisaalta laskentamenetelmien tulisi osata kertoa, jos ne eivät enää ole luotettavia”, Lähdesmäki jatkaa.

Keskiössä avoin julkaisutoiminta

Kliinisen lääketutkimuksen lähtökohtana on avoimuus. Alan tiivis viranomaisyhteistyö ja -valvonta edellyttävät, että kaikki käytetyt prosessit ovat auditoitavissa ja todennettavissa. Tutkimuksen avoimuus on tärkeää myös FCAI:n tekoälytutkijoille.

”Aalto-yliopiston huippuosaaminen kiteytyy korkeatasoisissa tieteellisissä julkaisuissa. Avoin julkaisutoiminta ja algoritmien ohjelmistototeutusten avoimuus takaavat tutkimuksen luotettavuuden myös potilaiden ja kansalaisten näkökulmasta. Tutkimusyhteistyön ensimmäiset tekoälymenetelmiin liittyvät julkaisut ovat jo maailmalla”, Leinonen sanoo.

Bayerin ja Aallon yhteistyö jatkuu nyt helmikuussa alkavassa Helsingin yliopistollisen keskussairaalan (HUS) kanssa toteutettavassa tutkimuksessa, jossa uusia tekoälymenetelmiä ja algoritmeja sovelletaan HUSin potilasdataan.

”Tosielämän terveystiedon (real world data) ja kliinisen tutkimustiedon yhteensovittamisessa on paljon haasteita. Ihmisvoimin tämä on hyvin työlästä. Tekoälyn avulla siitä voidaan saada huomattavasti nopeampaa, tehokkaampaa ja myös luotettavampaa. Lääkeyrityksen, yliopiston ja sairaalan välinen tutkimusyhteistyö on maailmallakin ainutlaatuista”, Leinonen toteaa.

Tekoälyn hyödyntäminen kasvussa

Lääketutkimuksen odotukset tekoälyn hyödyntämisen suhteen ovat suuret. Yksi FCAI:n tämänhetkisistä tutkimuskohteista, edellä mainittujen lisäksi, on tekoälymenetelmien kehittäminen lääkeaineiksi sopivien molekyylien etsimisessä. ”Ratkaisua etsitään esimerkiksi siihen, että miljoonien erilaisten lääkemolekyylien kokeellisen läpikäymisen sijaan laskentakoneisto osaisi ehdottaa tietynlaisia molekyylejä, joita kannattaa tutkia tarkemmin laboratoriossa. Näin voidaan nopeuttaa lääkekehitystä ja säästää resursseja”, Lähdesmäki toteaa. 

Myös suurten datamassojen analysoiminen ja tiedon hyödyntäminen päätöksenteon tukena tulee lisääntymään. Tietoa voidaan käyttää niin yksilötasolla sairaanhoidossa kuin terveydenhuollon resurssien kustannustehokkaassa kohdentamisessa.

”Ihmistä tekoäly ei tule kliinisessä lääketutkimuksessa korvaamaan. Tekoäly ei lähitulevaisuudessa tee itsenäisiä päätöksiä, vaan tunnistaa reagoitavia tilanteita tai ohjaa reagointia tiettyyn suuntaan. Sama koskee lääkärien potilastyössä hyödyntämää tekoälyä”, sanoo Leinonen.

Teksti: Marjukka Puolakka