An Evidence-Derived Framework for Quantifying Translational Risk in Rare-Disease Drug Development
Dit artikel introduceert POROS, een controleerbaar, op bewijs gebaseerd framework dat translationeel risico bij zeldzame ziekten kwantificeert met behulp van een machine learning-model om een Translation Risk Score te genereren, die de voortgang naar fase III-studies sterk voorspelt en helpt bij het identificeren van kritieke bewijsgaten in de geneesmiddelenontwikkeling.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het ontwikkelen van een nieuw medicijn voor een zeldzame ziekte is een reis die vaak al lang voordat het de patiënten bereikt die het nodig hebben, tot stilstand komt. Wetenschappers begrijpen de biologische oorzaak van een aandoening misschien perfect, maar missen dan nog steeds de middelen om een genezing in mensen te testen. Ze hebben wellicht niet genoeg patiënten om te werven, geen manier om te meten of een behandeling werkt, of een duidelijk pad door de overheidsregels. Deze kloof tussen weten hoe een ziekte werkt en het klaar hebben hebben van een therapie voor testen, staat bekend als translationeel risico. Decennialang hebben onderzoekers geprobeerd dit risico op een consistente manier te meten over verschillende ziekten heen. Zonder een duidelijke kaart is het moeilijk te weten welke ziekten klaar zijn voor de volgende fase van ontwikkeling en welke cruciale puzzelstukjes nog missen.
Een onderzoeker genaamd Hanyu Su heeft een nieuw systeem ontwikkeld genaamd POROS om dit probleem op te lossen. In plaats van te vertrouwen op een onderbuikgevoel of deskundige meningen, fungeert dit systeem als een rigoureuze audit die duizenden openbare registers scant om een gedetailleerd profiel op te stellen van 100 verschillende zeldzame ziekten. Het doel was om te zien of de hoeveelheid en het type bewijs dat beschikbaar is voor een ziekte, kon voorspellen of deze succesvol zou overgaan naar grootschalige klinische studies bij mensen, ook wel Fase III genoemd. De studie richtte zich op de stand van zaken per 31 december 2015, waarbij dat moment in de tijd werd bevroren om te voorkomen dat er kennis uit de toekomst werd gebruikt om het verleden te verklaren. Door te kijken naar wat er toen bekend was, konden de onderzoekers volgen welke ziekten in het daaropvolgende decennium grote klinische studies zouden starten en welke niet.
Het systeem breekt de gereedheid van een ziekte af in vijf afzonderlijke gebieden: biologie, klinische ontwikkeling, regelgevende trajecten, economische duurzaamheid en onderzoeksinfrastructuur. Voor elke ziekte zoekt de software naar specifiek, moeilijk te vervalsen bewijs, zoals of er een patiëntenregister bestaat, of er een natuurhistorisch onderzoek is voltooid, of dat een overheidsinstantie een speciale status heeft toegekend om de beoordeling te versnellen. Het wijst vervolgens een risicoscore toe van nul tot honderd, waarbij een hoger getal betekent dat de ziekte minder klaar is voor geavanceerde testen. De onderzoekers vonden een duidelijk patroon: ziekten met lagere risicoscores waren veel eerder geneigd om door te gaan naar Fase III-studies. In de groep ziekten met de laagste risicoscores ging werkelijk elke ziekte door naar de start van grote studies. In contrast hiermee slaagde slechts 30 procent van de ziekten met de hoogste risicoscores erin om die stap te zetten.
De studie onthulde ook welke gebieden de grootste knelpunten vormden. Hoewel biologisch begrip belangrijk is, toonde het systeem aan dat het meest voorkomende ontbrekende onderdeel vaak de regelgevende precedent was. Dit betekent dat veel ziekten een gebrek hadden aan een geschiedenis van overheidsgoedkeuringen of speciale designations die het makkelijker zouden maken om een nieuw medicijn op de markt te brengen. Een ander groot obstakel was het gebrek aan infrastructuur, zoals netwerken van artsen of patiëntenorganisaties die kunnen helpen bij het organiseren van een studie. Interessant genoeg vond het systeem dat de hoeveelheid schriftelijk bewijs dat beschikbaar was, bijna perfect verbonden was met de risicoscore. Ziekten met meer gedocumenteerd bewijs van gereedheid hadden lagere risicoscores, wat suggereert dat het vermogen om informatie te vinden en te organiseren even cruciaal is als de wetenschap zelf.
Om te waarborgen dat hun methode accuraat was, testten de onderzoekers hun geautomatiseerde systeem tegenover menselijke experts. De computer identificeerde de aanwezigheid of afwezigheid van sleutelbewijs in ongeveer 87 procent van de gevallen, een prestatieniveau dat nauw aansloot bij dat van menselijke beoordelaars. Deze validatie gaf het team het vertrouwen dat de scores niet slechts willekeurige getallen waren, maar de werkelijke omstandigheden weerspiegelden. De onderzoekers voerden ook een "wat-als"-analyse uit om te zien wat er zou gebeuren als een ziekte plotseling een ontbrekend stuk bewijs zou verkrijgen, zoals een nieuw patiëntenregister of een overheidsstatus. Het model suggereerde dat het toevoegen van regelgevend bewijs de grootste impact zou hebben op het verlagen van de risicoscore, wat een ziekte potentieel dichter bij de volgende fase van ontwikkeling brengt.
Echter, de studie gaat gepaard met belangrijke kanttekeningen. De onderzoekers benadrukken dat hun score een hulpmiddel is voor het prioriteren van onderzoek, en geen kristallen bol die succes garandeert. De analyse was gebaseerd op een relatief kleine groep van 100 ziekten, en de gemeten uitkomst was simpelweg het starten van een studie, niet of die studie succesvol was of leidde tot een goedgekeurd medicijn. Bovendien vertrouwt het systeem volledig op publieke documenten, wat betekent dat als een ziekte veel ongepubliceerd werk heeft, deze minder klaar kan lijken dan zij in werkelijkheid is. Verder maakt de sterke link tussen het hebben van veel documenten en het hebben van een lage risicoscore het moeilijk om de twee van elkaar te scheiden; het is mogelijk dat ziekten met meer bewijs simpelweg meer volwassen zijn, in plaats van dat het bewijs zelf de oorzaak van het succes is.
Ondanks deze beperkingen biedt het werk een nieuwe manier om naar het landschap van onderzoek naar zeldzame ziekten te kijken. Door vage concepten zoals "gereedheid" om te zetten in een concrete, controleerbare score, helpt het kader te identificeren waar precies de tekortkomingen liggen. Het laat zien dat voor veel zeldzame ziekten de barrière voor een nieuw medicijn niet alleen een gebrek aan wetenschappelijke ideeën is, maar een gebrek aan de ondersteunende structuren die nodig zijn om die ideeën in mensen te testen. De bevindingen suggereren dat de wetenschappelijke gemeenschap, om meer patiënten te helpen, evenveel aandacht moet besteden aan het opzetten van patiëntenregisters en het verduidelijken van regelgevende paden als aan het ontdekken van nieuwe biologische doelwitten. Deze benadering biedt een duidelijke, op bewijs gebaseerde manier om te beslissen waar de inspanningen als volgende op gericht moeten worden, zodat de reis van een wetenschappelijk inzicht naar een echte behandeling zo soepel mogelijk verloopt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.