{"id":30539,"date":"2024-03-12T16:58:22","date_gmt":"2024-03-12T15:58:22","guid":{"rendered":"https:\/\/www.l3s.de\/?p=30539"},"modified":"2024-03-13T14:32:46","modified_gmt":"2024-03-13T13:32:46","slug":"new-white-paper-on-efficient-drug-development-with-ai-published","status":"publish","type":"post","link":"https:\/\/www.l3s.de\/de\/new-white-paper-on-efficient-drug-development-with-ai-published\/","title":{"rendered":"Neues Whitepaper zur effizienten Arzneimittelentwicklung mit KI erschienen"},"content":{"rendered":"

L3S-Direktor Wolfgang Nejdl ist Co-Autor eines neuen Whitepapers der Plattform Lernende Systeme, das anhand von Praxisbeispielen die Herausforderungen und Potenziale von k\u00fcnstlicher Intelligenz (KI) bei der Arzneimittelentwicklung aufzeigt. Das L3S hat mit dem Leibniz KI-Labor und dem Nieders\u00e4chsischen Zentrum f\u00fcr KI und kausale Methoden in der Medizin (CAIMed) einen Forschungsschwerpunkt auf dieses Gebiet gelegt.<\/strong><\/p>\n\n\n\n

KI kann die Entwicklung von Arzneimitteln beschleunigen und die personalisierte Medizin in der Breite f\u00f6rdern. So k\u00f6nnen bessere und individualisierte Medikamente kosteng\u00fcnstiger auf den Markt gebracht werden. Voraussetzung ist jedoch, dass neben Wirkstoffdaten auch Patientendaten in ausreichender Qualit\u00e4t f\u00fcr die Forschung zur Verf\u00fcgung stehen und ein rechtssicherer regulatorischer Rahmen geschaffen wird.<\/p>\n\n\n\n

Ein Mediziner verschreibt durchschnittlich pro Arztbesuch ein Medikament. Arzneimittel sind der drittgr\u00f6\u00dfte Ausgabenposten im deutschen Gesundheitswesen. Ihre Entwicklung wird jedoch immer teurer und langwieriger. Bis ein Medikament auf den Markt kommt, vergehen rund zw\u00f6lf Jahre, die Gesamtkosten liegen bei durchschnittlich 2,8 Milliarden US-Dollar. Die Gr\u00fcnde sind vor allem immer komplexere Produkte und Studiendesigns, steigende Anforderungen an Dokumentation und Sicherheit w\u00e4hrend der Entwicklung sowie die aufw\u00e4ndige Rekrutierung von Teilnehmern f\u00fcr klinische Studien. In vielen F\u00e4llen, zum Beispiel bei Antibiotika, ist die Entwicklung neuer Wirkstoffe nicht mehr rentabel.<\/p>\n\n\n\n

Personalisierte Krebstherapien und innovative Wirkstoffe<\/strong><\/p>\n\n\n\n

Der Einsatz von KI gestaltet den Prozess der Arzneimittelentwicklung effizienter und bietet die M\u00f6glichkeit, jahrelange Arbeit und kostspielige Investitionen einzusparen, hei\u00dft es im Whitepaper \u201eArzneimittel mit KI entwickeln\u201c.\nK\u00fcnstliche Intelligenz analysiert systematisch riesige Datenmengen sowie umfangreiches Wissen und wertet diese aus. Auf diese Weise lassen sich geeignete Wirkstoffziele und -kandidaten in kurzer Zeit finden, bessere Vorhersagen zu Nebenwirkungen der Arzneimittel treffen und die chemische Synthese, die Herstellung des Wirkstoffs, optimieren. Bei der Auswahl und Monitoring von Probanden f\u00fcr klinische Studien und der Zulassung kann KI unterst\u00fctzen. Die KI-basierte Datenanalyse erm\u00f6glicht die Entwicklung personalisierter Therapien etwa zur Behandlung von Krebs, die auf das individuelle Krankheitsbild der betroffenen Person abgestimmt sind.<\/p>\n\n\n\n

Die Autorinnen und Autoren des Whitepapers benennen auch die Herausforderungen auf dem Weg zu einer KI-gest\u00fctzten Arzneimittelforschung. F\u00fcr den Einsatz von KI m\u00fcssen gro\u00dfe Mengen an qualitativ hochwertigen Wirkstoffdaten zur Verf\u00fcgung stehen. Dies setzt jedoch die Bereitschaft der forschenden Unternehmen voraus, ihre Daten zu teilen. L\u00fccken bestehen insbesondere in der Datenbasis zur Humanbiologie, beispielsweise zu Krankheitsmechanismen und Arzneimittelwirkungen. Es besteht die M\u00f6glichkeit, diese L\u00fccke mit qualitativ hochwertigen Daten der Bev\u00f6lkerung zu f\u00fcllen. Ein Mittel der Datenbeschaffung stellt die elektronische Patientenakte dar. Die KI-Analyse der Patientendaten erlaubt etwa Aussagen zur Wirksamkeit und Nebenwirkungen von Arzneimitteln sowie personalisierte Behandlungsempfehlungen.\nAktuell gibt es sowohl auf europ\u00e4ischer als auch auf nationaler Ebene Vorhaben zur Erh\u00f6hung der Datenverf\u00fcgbarkeit, etwa in Form des Verordnungsentwurfs zum European Health Data Space (EHDS) sowie des Gesundheitsdatennutzungsgesetzes (GDNG) in Deutschland. Damit sollen Gesundheitsdaten f\u00fcr Forschungszwecke auch der Industrie zug\u00e4nglich gemacht werden. Die Expertinnen und Experten der Plattform Lernende Systeme empfehlen, die erh\u00f6hte Datenverf\u00fcgbarkeit nicht durch regulatorische Einschr\u00e4nkungen der KI-gest\u00fctzten Forschung zu deckeln.<\/p>\n\n\n\n

Zulassung braucht verbindliche Standards und Transparenz<\/strong><\/p>\n\n\n\n

Der Einsatz von KI in der Wirkstoffentwicklung muss auch bei der Zulassung und Erstattung von Arzneimitteln ber\u00fccksichtigt werden. Die Ergebnisse der KI-Datenanalyse m\u00fcssen nachvollziehbar und KI-basierte Aussagen zu medizinischen Aspekten eindeutig belegbar sein. Dar\u00fcber hinaus nutzt KI auch synthetisch generierte Daten. Es bedarf verbindlicher Standards f\u00fcr die Pr\u00fcfung und G\u00fcltigkeit von KI-basierten Daten.
Die Anwendung von KI-Methoden in der Arzneimittelentwicklung bedeutet auch, dass mehr Zulassungsantr\u00e4ge f\u00fcr neue Medikamente in k\u00fcrzerer Zeit bei den Beh\u00f6rden eingereicht werden. Aber auch auf Seiten der Zulassungsbeh\u00f6rden k\u00f6nne KI dazu beitragen, Prozesse zu beschleunigen, um mit dem erh\u00f6hten Entwicklungstempo Schritt zu halten, hei\u00dft es in dem Whitepaper.<\/p>\n\n\n\n

\u00dcber das Whitepaper<\/strong><\/p>\n\n\n\n

Das Whitepaper \u201eArzneimittel mit KI entwickeln: Von der Idee bis zur Zulassung. Anwendungen, Potenziale und Herausforderungen\u201c verfassten Mitglieder der Arbeitsgruppe Gesundheit, Medizintechnik, Pflege der Plattform Lernende Systeme, darunter L3S-Direktor Prof. Dr. Wolfgang Nejdl. Es steht zum kostenfreien Download<\/a> zur Verf\u00fcgung.<\/p>\n\n\n

\n
\"\"<\/a><\/figure>\n<\/div>","protected":false},"excerpt":{"rendered":"

L3S-Direktor Wolfgang Nejdl ist Co-Autor eines neuen Whitepapers der Plattform Lernende Systeme, das anhand von Praxisbeispielen die Herausforderungen und Potenziale von k\u00fcnstlicher Intelligenz (KI) bei der Arzneimittelentwicklung aufzeigt.<\/p>","protected":false},"author":13,"featured_media":30546,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[10],"tags":[149,153,148,151,152,150],"class_list":["post-30539","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news","tag-ai","tag-caimed","tag-drug-development","tag-learning-system-platform","tag-leibniz-ai-lab","tag-whitepaper"],"acf":[],"aioseo_notices":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/posts\/30539","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/users\/13"}],"replies":[{"embeddable":true,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/comments?post=30539"}],"version-history":[{"count":6,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/posts\/30539\/revisions"}],"predecessor-version":[{"id":30555,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/posts\/30539\/revisions\/30555"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/media\/30546"}],"wp:attachment":[{"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/media?parent=30539"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/categories?post=30539"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/tags?post=30539"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}