人工智能引导的患者分层提高了AMARANTH阿尔茨海默病临床试验的结果和效率

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 临床试验 临床试验

背景情况:

• 阿尔茨海默病 (AD) 药物发现面临挑战,原因是患者异质性和不精确的分层方法.
• 现有的工具缺乏对临床试验中准确的患者选择的敏感性,这可能导致试验结果负面.
• 尽管粉样蛋白减少,但BACE1抑制剂lanabecestat的AMARANTH试验未能显示出认知益处.

研究的目的:

• 开发和验证人工智能引导的工具 (预测性预后模型,PPM),用于在阿尔茨海默病临床试验中精确地分层患者.
• 用人工智能引导的患者分层重新评估lanabecestat的疗效.
• 展示AI在提高AD药物开发效率和成功率方面的潜力.

主要方法:

• 开发一个强大且可解释的人工智能引导的预测预后模型 (PPM).
• 从AMARANTH试验中使用基线数据和PPM的患者重新分层.
• 在不同患者小组中分析认知衰退轨迹,这些小组接受了lanabecestat治疗.

主要成果:

• 通过人工智能引导的重新分层确定了一小组进展缓慢的患者,他们经历了lanabecestat的认知衰退减缓46%.
• 快速进展的患者没有从治疗中获得显著的认知益处.
• 与标准方法 (如β-粉样蛋白阳性) 相比,PPM在患者分层方面表现出更高的精度.

结论:

• 人工智能引导的患者分层显著提高了准确性,并可以揭示传统方法错过的治疗疗效.
• PPM有可能提高未来阿尔茨海默病临床试验的效率和成功.
• 使用人工智能的精确分层可以优化患者选择,从而导致更有针对性和有效的治疗干预措施.