MH Predict | Molecular Health

MH Predict Logo

Erfolg vorhersagen. Mit KI. 

Molecular Health Predict (MH Predict) ist eine Anwendung zur Vorhersage der Erfolgswahrscheinlichkeit klinischer Studien unter Verwendung der neuesten Entwicklungen in den Bereichen Künstliche Intelligenz (KI) und Maschinelles Lernen (ML).

MH Predict ist eine KI-Software, die kuratierte biomedizinische Daten aus zahlreichen Quellen extrahiert, um:

  • den technischen Erfolg klinischer Studien vorherzusagen.
  • potenzielle Erfolgs- oder Misserfolgsfaktoren für klinische Studien zu identifizieren.

Die Vorhersage des Erfolgs klinischer Studien mit MH Predict hat folgende Vorteile:

  • Eine ergänzende und unvoreingenommene Bewertung der Erfolgswahrscheinlichkeit mit hoher Genauigkeit
  • Wesentliche Reduzierung der Risiken für F&E und Budgetentscheidungen
  • Verbesserung der Sicherheit von Portfolios, indem die Programme identifiziert werden, die am ehesten erfolgreich sind
  • Bietet weitere Informationen zu M&A und Lizenzentscheidungen
  • Unterstützt die Wettbewerbsbeobachtung durch unvoreingenommene Vorhersage der Portfolio- oder Studienleistung des Mitbewerbers
  • Ein marktorientiertes Instrument, das den Investoren Vertrauen in die Kapitalallokation in F&E und die Pipeline gibt

MH Predict – Nutzen für F&E und kommerzielle Pharmafunktionen

MH Predict table

Möchten Sie eine persönliche Software-Demo erhalten?

MH Predict: klinischer Studienfall 

  • Vorhersage einer Studie (Erfolg/Misserfolg) 
    • Wahrscheinlichkeit des technischen Erfolgs 
    • Zuverlässigkeitsdiagramm 
  • Kontextualisierung: Vergleich der Vorhersage mit ähnlichen Studien 
  • Simulation der Merkmalwirkung (in der UI, detailliertere Analysen werden außerhalb der UI angeboten) 
  • Analyse der Merkmalbedeutung – Öffnen der Blackbox durch Identifizierung der wichtigsten Parameter, die die Vorhersage beeinflussen 

Durch MH Predict erstellte Erfolgsprognosen zu klinischen Studien sind verknüpft mit Real-world Outcomes klinischer Studien.

Logo of MH Predict

Misserfolg

Drug That Celgene Bought For $710 Million Fails
See more

Novartis heart drug portfolio hit by failed serelaxin study 
See more


Merck’s Keytruda fails late-stage study in liver cancer patients
See more


Opdivo
Fails to Extend Survival in SCLC Patients in Phase 3 Trial, Bristol-Myers Squibbs Reports 
See more


AbbVie takes $4B hit on
Rova-T failures
See more


OncoMed’s
small cell lung cancer drug tarextumab fails in phase 2 trial 
See more

Erfolg

Eliquis (apixaban)
The disease: Atrial fibrillation
The developer: Bristol-Myers
Squibb, Pfizer Peak sales potential: Estimates start around $3.8 billion and rise to $5 billion or more.
See more

 

AbbVie rheumatoid arthritis drug succeeds in late stage trial

See more

 

Recon: Sanofi and Regeneron Find Success in Major Cholesterol Trial
See more

 

Avelumab Becomes First Approved Treatment for Patients with Merkel Cell Carcinoma
See more

 

AstraZeneca’s Lynparza shown to put brakes on ovarian cancer
See more

Software as a Service – intuitive Benutzeroberfläche

  • Vorhersage des Erfolgs von klinischen Studien
MH Predict Graph 3
  • Vorhersagevergleich mit ähnlichen Studien
  • Änderung wichtiger Eigenschaften zur Beobachtung der Auswirkungen auf die Studienprognose
MH Predict Graph 4

Beratungsservices

  • Ergebnisvorhersage der Studie
  • Identifizierung und Erklärung von Eigenschaften, die die Erfolgsprognose einer Studie beeinflussen

FAQs

Die Entdeckung und Entwicklung von Medikamenten ist langwierig, kostspielig und ineffizient. Die durchschnittlichen Kosten für die Markteinführung eines Arzneimittels sind nach der jüngsten Analyse von DiMasi und Kollegen der Tufts University (DiMasi JA, Grabowski HG, Hansen RW. Innovation in the pharmaceutical industry: new estimates of R&D costs. Journal of Health Economics 2016; 47:20-33.) auf 2,6 Milliarden US-Dollar gestiegen, was hauptsächlich auf eine Fluktuationsrate von 11 gescheiterten Projekten für jedes erfolgreiche Projekt zurückzuführen ist. KI bietet nun in nahezu jeder Phase die Möglichkeit, diesen Prozess zu verbessern.

ML ist ein gut definierter Begriff, der eine Reihe von Berechnungsmethoden (Algorithmen) beschreibt, die es einem Computerprogramm ermöglichen, ohne spezifische Anweisungen aus Daten zu lernen und das Lernen mit mehr Daten zu verbessern („Erfahrung). Der Informatiker Tom Mitchell hat die berühmteste und klarste Definition formuliert: „Ein Computerprogramm soll aus Erfahrung E in Bezug auf eine Klasse von Aufgaben T und Leistungsmaß P lernen, wenn sich seine Leistung bei Aufgaben T, gemessen durch P, mit Erfahrung E verbessert.“ ML ist daher ein rein technischer Begriff. Im Gegensatz dazu ist KI nicht so eindeutig definiert. KI bezieht sich auf ein Konzept anstatt eine Methode. Es gibt Berührungspunkte mit der Psychologie, Informatik, Philosophie, Biologie und Neurowissenschaften. Die KI verwendet ML als Methode, aber Lösungen können auch von Nicht-ML-Systemen, z. B. Wissenssystemen, erstellt werden. Die KI integriert ML in Lösungen. Ein selbstfahrendes Auto ist ein Beispiel für KI, wobei eine Komponente ML-Algorithmen sind. ML ist somit eine Untergruppe von KI. ML als Methode hat jedoch in den letzten Jahren am meisten zum wachsenden Erfolg der KI beigetragen. In diesem Sinne kann MH Predict als ML, aber auch als KI bezeichnet werden.

ML-Anwendungen werden nun in praktisch allen Phasen des Arzneimittelforschungs- und -entwicklungszyklus und nach dem Inverkehrbringen erprobt, um die Arzneimitteleinhaltung zu verbessern. Laut der Financial Times nutzten 2018 mindestens 15 große Pharma- und Biotech-Unternehmen KI in Teilen ihres Medikamentenentwicklungszyklus. Die meisten Beispiele für den Einsatz von KI in der Pharmazie stammen aus der Früherkennung von Wirkstoffen (Target Discovery, Identifizierung der Leitsubstanz) oder der Leitstrukturoptimierung, also Bereichen, die bisher quantitative Ansätze und statistische Modellierung verwendet haben. Fortschritte bei der Mustererkennung in pathologischen oder radiologischen Bildern und Sensorsignalen eröffnen neue Möglichkeiten für die Entdeckung von Biomarkern für den Einsatz in klinischen Studien (z. B. Patienteneinbindung oder Endpunktdefinition). 

Die KI bewegt sich nun auch im Bereich des klinischen Betriebs mit Systemen, die die Patientenrekrutierung und Standortwahl optimieren. MH Predict befindet sich im klinischen Stadium der Arzneimittelentwicklung, erstreckt sich aber auch auf den früheren Translationsbereich sowie strategische und geschäftliche Aspekte innerhalb der Pharmaindustrie. 

Beispiele für den Einsatz und die KI/ML-Deals im Entwicklungsprozess von Medikamenten sind unter anderem:  

  • Zielmolekülermittlung 
  • Identifizierung der Leitsubstanz 
  • Leitstrukturoptimierung/medizinische Chemie 
  • Patientenauswahl 
  • Vorhersage des klinischen Erfolgs 
  • Klinische Abläufe 

Fordern Sie jetzt eine Software-Demo an! 

Hierzu benötigen wir Ihre Kontaktdaten:

EU: +49 6221 43851-150
E-Mail: MHPredictCustomerService@molecularhealth.com