Ensaio Clínico e Desenvolvimento de Medicamentos: Aplicação de Dados do Mundo Real e Métodos de Aprendizado de Máquina para Melhorar a Generalizabilidade e Efetividade Comparativa dos Estudos

Resumo:
O desenvolvimento de medicamentos é uma empreitada cara, com custos médios de US$879,3 milhões e apenas 14,3% deles obtendo aprovação regulatória. Um desafio fundamental é garantir que a população de pacientes matriculada em um ensaio clínico reflita com precisão as características basais da população-alvo mais ampla (CBx). Essa preocupação está diretamente ligada à generalizabilidade dos resultados do estudo além do ambiente do ensaio. Se a população do estudo difere significativamente dos pacientes do mundo real em termos de CBx (por exemplo, idade, comorbidades, gravidade da doença), a aplicabilidade dos resultados à prática clínica de rotina pode ser limitada. Tanto as agências reguladoras quanto os órgãos de avaliação de tecnologias em saúde (HTA) podem questionar a generalizabilidade e transferibilidade dos resultados do estudo para configurações do mundo real. Os órgãos de HTA podem ainda exigir estimativas robustas de efetividade comparativa, que requerem alinhamento com as populações de pacientes de estudos anteriores. Dados do mundo real (RWD) podem ajudar a avaliar e calibrar a representatividade das populações de ensaios clínicos, embora persistam limitações, incluindo a sub-representação de subgrupos-chave e dados de biomarcadores ausentes. Dados históricos de ensaios clínicos podem oferecer insights valiosos sobre as distribuições de CBx e padrões de recrutamento, além de permitir estimativas mais confiáveis de efetividade comparativa. A aprendizado de máquina (ML) pode aprimorar esse processo, utilizando métodos de agrupamento para identificar distribuições ótimas de CBx, melhorando assim a generalizabilidade do estudo. Além disso, estruturas de agrupamento bayesianas que incorporam RWD podem refinar ainda mais essas estimativas, garantindo um melhor alinhamento com a epidemiologia do mundo real. Este trabalho propõe que, ao combinar insights de ensaios anteriores com RWD usando técnicas de ML, os pesquisadores podem capturar com mais eficácia a heterogeneidade da população e criar estratégias de recrutamento mais generalizáveis e centradas no paciente.

Conteúdo Patrocinado

PMID: 41094484 | DOI: 10.1186/s13063-025-09160-7

Para ler a postagem completa, visite o original: Leia a Postagem Completa