Management Summary
Die AI4ANNA-Studie zeigt, für welche klinischen Endpunkte Machine Learning Vorhersagesignale liefert und wo die untersuchten Modelle an Grenzen stoßen. Die studienübergreifende Validierung zeigte moderate Signale für die objektive Ansprechrate und das progressionsfreie Überleben, während die Aussagekraft bei den meisten Safety Outcomes begrenzt blieb. Damit schafft die Untersuchung eine fundierte Grundlage, um mögliche Einsatzfelder realistisch zu bewerten und weitere Analysen auf geeignete Fragestellungen auszurichten.
Projektsteckbrief
Novartis
Branche: Pharma
Schwerpunkt: AI & Machine Learning
Use Case: Predictive Machine Learning
Projektziel
Vorhersagepotenzial klinischer Studiendaten bewerten
Die wichtigsten Projektaspekte im Überblick
- Analyse von Daten aus den Studien RIBECCA und RIBANNA
- Vergleich von LASSO und XGBoost für klinische Vorhersagemodelle
- Interne und studienübergreifende Validierung der Modelle
Tech Stack
Die studienübergreifende Validierung zeigt, für welche klinischen Endpunkte Machine Learning Vorhersagesignale liefert und wo die Modelle an Grenzen stoßen.
Dorothee Childs
Senior Data Scientist
Die Ausgangslage
Pharmaunternehmen benötigen geeignete Ansätze, um Daten aus klinischen Studien zu analysieren. Bisher wurden dafür hauptsächlich klassische statistische Methoden eingesetzt. Diese liefern wichtige und gut interpretierbare Ergebnisse, beruhen jedoch teilweise auf linearen Annahmen.
Machine Learning kann die etablierten Verfahren ergänzen und weitere Zusammenhänge in klinischen Daten untersuchen. Eine besondere Herausforderung bilden Time-to-Event-Daten. Hier muss die Analyse berücksichtigen, dass Ereignisse wie eine Tumorprogression innerhalb des Beobachtungszeitraums nicht bei allen Patientinnen auftreten oder vollständig erfasst werden.
Die HMS-Lösung
Machine Learning für klinische Daten
HMS unterstützte Novartis dabei, das Potenzial von KI in klinischen Studien zu erkunden.
Der Kundennutzen
Neue Erkenntnisse aus klinischen Studiendaten
Die Studie zeigte, bei welchen Endpunkten Machine Learning zusätzliche Vorhersagesignale liefern konnte und wo die untersuchten Modelle an Grenzen stießen.
Unsere Stärken, Ihre Vorteile
Statistische Methoden und Machine Learning verbinden
HMS unterstützte Novartis dabei, das Potenzial von Machine Learning für klinische Studiendaten zu untersuchen. Im Projekt verbanden wir statistische Analyse mit ML-basierten Vorhersagemodellen, studienübergreifender Validierung und Methoden zur Einordnung relevanter Ausgangsfaktoren.
Was Sie von HMS erwarten können
Bei der Analyse klinischer Daten müssen Modellwahl, Validierung und Erklärbarkeit zusammenpassen. HMS verbindet dafür etablierte statistische Verfahren mit Machine Learning und fachlicher Einordnung.
- Auswahl und Vergleich geeigneter Modelle für klinische Fragestellungen
- Interne und studienübergreifende Validierung der Vorhersageleistung
- Nachvollziehbare Analyse relevanter klinischer Ausgangsmerkmale
Sie planen ein vergleichbares Vorhaben?
Sprechen Sie mit uns über Ihre Ausgangssituation und die Anforderungen an eine mögliche Umsetzung. Wir helfen Ihnen, das Vorhaben fachlich und technisch einzuordnen und sinnvolle nächste Schritte festzulegen.