NetraMark Holdings Inc. ha annunciato la presentazione di nuovi dati che dimostrano che l'applicazione della sua soluzione clinica NetraAI a insiemi di dati inferiori a 400 pazienti può identificare le variabili che predicono l'efficacia e le risposte al placebo negli studi clinici psichiatrici con un'elevata significatività statistica. Dimostrano inoltre che l'applicazione di modelli basati su queste variabili a popolazioni di pazienti indipendenti predice correttamente l'efficacia e le risposte al placebo, fornendo un nuovo approccio per de-rischiare gli studi clinici per le terapie psichiatriche. I dati sono stati presentati il 22 febbraio al 20° Meeting Annuale ISCTM a Washington DC.

Valutare l'efficacia dei farmaci: Sfruttare le intuizioni dell'apprendimento automatico dalla modellazione della risposta al placebo (Poster #15) Questo poster ha descritto i risultati di uno studio progettato per sfruttare gli algoritmi di apprendimento automatico (ML) per identificare le caratteristiche della risposta al farmaco e al placebo nelle sperimentazioni cliniche nel disturbo bipolare, nell'ansia e nella schizofrenia. NetraAI, basato sui metodi di Attractor AI, è stato utilizzato per analizzare i dati di efficacia, demografici e di sicurezza per prevedere le risposte al placebo. L'uso di queste variabili per determinare i criteri di inclusione/esclusione dovrebbe migliorare notevolmente la significatività statistica per i futuri studi della terapia valutata nello studio di Fase 2a.

Identificare le variabili di efficacia per l'uso di escitalopram nel disturbo depressivo maggiore lieve (MDD): Implicazioni per gli studi sul MDD resistente al trattamento (Poster #24) Questo poster descrive i risultati di uno studio progettato per determinare se NetraAI può identificare sottopopolazioni uniche negli studi clinici sul MDD con risposte diverse all'escitalopram per il trattamento della depressione. Lo studio ha utilizzato un set di dati di 172 pazienti del braccio esplorativo di escitalopram di uno studio MDD. I risultati principali di questo studio includono: NetraAI ha identificato una sottopopolazione di risposta a escitalopram di 110 pazienti, caratterizzata da 7 variabili.

Oltre ai nuovi risultati presentati nei poster, il Dr. Geraci ha anche presentato i risultati precedentemente riportati che dimostrano la potenza di AttractorAI in una presentazione, intitolata "Identificazione dei biomarcatori per le strategie di arricchimento dei pazienti negli studi clinici sul SNC: Approcci alternativi e sfide", che ha sottolineato la capacità di NetraAI di scoprire sottopopolazioni di partecipanti a studi clinici per i quali i fattori causali di risposta sono presenti in combinazione, e di trasformare le intuizioni di questi partecipanti in parametri regolabili che possono essere utilizzati per migliorare i risultati degli studi clinici. Questo includeva i dati di un caso d'uso di uno studio clinico sulla schizofrenia, che mostrava che NetraAI forniva approfondimenti sulle variabili che guidano le risposte al placebo e al farmaco. In particolare, mentre solo il 30% della sottopopolazione identificata da queste variabili era spiegabile, l'applicazione di queste variabili era spiegabile, L'applicazione di queste variabili a un modello di uno studio più ampio si prevede abbia un impatto sostanziale sulla significatività statistica - una riduzione del valore p da 0,04 a 0,0019.

" I metodi ML tradizionali possono essere efficaci quando possono essere addestrati su grandi quantità di dati e quando gli oggetti che vengono addestrati a riconoscere sono chiaramente distinti gli uni dagli altri", ha aggiunto il Dr. Geraci. Come dimostrato nel caso d'uso della schizofrenia descritto nella presentazione, i modelli basati su variabili con un'alta significatività statistica in un sottoinsieme della popolazione totale possono essere estremamente potenti e possono portare a miglioramenti significativi dei valori p che l'industria biofarmaceutica ha bisogno per migliorare il tasso di successo degli studi clinici". NetraAI utilizza i sottoinsiemi spiegabili per ricavare intuizioni e ipotesi (compresi i fattori che influenzano le risposte al trattamento e al placebo, nonché gli eventi avversi) che possono aumentare in modo significativo le probabilità di risposta al trattamento e al placebo.