바이오인

맥킨지, 기계학습이 제약산업에 큰 영향 미칠 것으로 전망

◈ 맥킨지는 기계학습이 환자선별을 포함한 임상시험 설계 최적화 등 제약산업에 높은 영향력을 발휘할 것으로 전망

☞ McKinsey 보고서 “The age of analytics: Competing in a data-driven world”에 따르면 기계학습이 산업전반에 영향을 미치나, 특히 제약산업의 파급효과 높을 것으로 전망하며 제약산업의 적용사례를 강조

※ MGI 설문조사 응답 중에서 가장 높은 평가를 받은 사례는 ‘label writing 및 환자선별을 포함한 임상시험 설계 최적화’로 조사

출처 : McKinsey Global Institute, “The age of analytics: Competing in a data-driven world, 2016.12

구분

주요 내용

환자 매칭

(Patient matching)

적절한 환자집단의 확인, 선별, 등록에 도움. 적절한 환자 코호트에 대한 각 기준의 영향을 평가하기 위해 포함 및 제외 기준을 사용하여 적합한 환자집단을 수립. 이를 통해 연구 설계자는 보다 적합한 환자군을 보장하기 위해 기준에 필요한 수정이 있는지를 알 수 있음

이 프로세스는 ML 및 RPA를 사용하여 자동화할 수 있음. 연구에 따르면 ML은 사이트 당 환자 스크리닝 할 때 수동 개입을 85% 정도 감소시킴

연관 규칙 및 의사결정 트리와 같은 ML 기법을 통해 환자의 수용, 순응도 및 기타 메트릭스와 관련된 추세를 파악할 수 있음. RPA bot은 임상 동료에 의한 최종 follow-up 전에 예상되는 피험자와의 초기 상호 작용을 실행하여 모집 속도를 높일 수 있음

궁극적인 목표는 환자의 매칭 및 모집 전략에 영향을 주어 임상 참여 및 성공률을 높이는 것임

사이트 선정

(Site selection)

제안된 연구의 치료영역에서 관련 경험이 있는 임상시험 사이트의 알려진 세트로 시작. 이후 사이트별 실패를 분석하고 계획 중인 특정 대상연구의 관련성 순서대로 순위를 매겨 학습모델을 구축할 수 있음

이 학습모델은 목표 연구에 대한 특정 사이트의 성공률을 예측할 수 있음

동일한 사이트에 있는 환자들을 경쟁할 수 있는 다른 시도들로 인해 조사관들은 사이트에서의 환자모집 성공의 전반적인 가능성을 계산할 수 있음

임상시험 책임자

(Principal investigators)

PI의 선택에 도움. 치료 영역 내에서의 가용성 분석, 관련 교육 및 이전 경험분석 등으로 PI의 실패와 지연을 예측할 수 있는 알고리즘 모델을 구축할 수 있음

지배 경쟁

(Competition)

ML 모델은 여러 임상 및 상업적 차원을 기반으로 제안된 연구용 신제품의 복잡한 경쟁환경을 분석할 수 있음

재정적 성과

(Financial outcome)

과거의 임상시험에 대한 운영 및 재무성과 데이터를 사용하여 향후 임상시험의 잠재적 비용 및 일정을 평가할 수 있는 재무모델 구축 가능

이 모델은 시나리오를 분석하여 향후 5년간 목표 연구의 예상되는 지연 및 실패에 대한 결과를 예측할 수 있음