Diese künstliche Intelligenz ermöglicht die Generierung digitale Zwillinge für die Teilnehmer klinischer Studien und bietet damit eine detaillierte Vorhersage ihres zukünftigen Gesundheitszustands. Diese prädiktiven Modelle werden mit bedeutenden Patientendaten aus früheren Studien trainiert. Der Einsatz digitaler Zwillinge in TwinRCTs verbessert die statistische Power der Studien, ohne die Teilnehmerzahl zu erhöhen, im Einklang mit den Vorgaben der FDA und der EMA. Dies verkürzt auch die Zeit, die benötigt wird, um eine vollständige Einschreibung in fortgeschrittenen Studienphasen zu erreichen, und erhöht die Wahrscheinlichkeit, dass die Teilnehmer die experimentelle Behandlung erhalten, durch die Verringerung der Größe der Kontrollgruppen. Indem das Ergebnis jedes Teilnehmers in der Kontrollgruppe prognostiziert wird, unabhängig von seiner tatsächlichen Zuteilung zur Studie, stärkt Unlearn die Fähigkeit der Forscher, bereits in den frühen Phasen der Schlüsselstudien zu zuversichtliche Entscheidungen zu gelangen. Seine Effizienz und Anpassungsfähigkeit machen dieses Tool zu einer wertvollen Ressource für alle Fachleute, die sich in der klinischen Forschung mit Erkrankungen wie Alzheimer, der amyotrophen Lateralsklerose (ALS) und vielen weiteren engagieren.
Digitale Patientenmodelle ermöglichen eine Beschleunigung des Einschreibungsprozesses in Studien der späten Phase, indem sie weniger Patienten benötigen, um dieselbe Wirksamkeit zu erzielen. Dies optimiert Ressourcen und verkürzt die Zeitpläne, was Gesundheitsfachkräften in der klinischen Forschung einen signifikanten Vorteil bietet.
Der Einsatz digitaler Zwillinge erhöht die statistische Power von Frühphasen-Studien, ohne die Teilnehmerzahl zu erhöhen. Dies verbessert deutlich die Genauigkeit der Beobachtungen der Wirkungen von Behandlungen und ermöglicht informiertere und frühere Entscheidungen bei der Entwicklung neuer Therapien.
Durch die Verringerung der Größe der Kontrollgruppen bieten TwinRCTs den Teilnehmenden eine größere Wahrscheinlichkeit, die experimentelle Behandlung zu erhalten. Dieser Ansatz erhöht nicht nur die Attraktivität der Studie für potenzielle Teilnehmende, sondern gewährleistet auch einen ethischen Ansatz, indem die Exposition gegenüber nicht vorteilhaften Behandlungen begrenzt wird.
.webp){kind=icon}
Die Plattform, die es Entwicklern ermöglicht, die besten Tools für künstliche Intelligenz zu entdecken.
