NetraMark Holdings Inc. a annoncé la présentation de nouvelles données démontrant que l'application de sa solution clinique NetraAI à des ensembles de données de moins de 400 patients permet d'identifier les variables qui prédisent l'efficacité et les réponses au placebo dans les essais cliniques psychiatriques avec une signification statistique élevée. Elles montrent également que l'application de modèles basés sur ces variables à des populations de patients indépendantes permet de prédire correctement l'efficacité et les réponses au placebo, ce qui constitue une nouvelle approche pour réduire les risques des essais cliniques pour les thérapies psychiatriques. Les données ont été présentées le 22 février lors de la 20e réunion annuelle de l'ISCTM à Washington DC.

Évaluer l'efficacité des médicaments : Cette affiche décrit les résultats d'une étude conçue pour exploiter les algorithmes d'apprentissage automatique afin d'identifier les caractéristiques de la réponse au médicament et au placebo dans les essais cliniques sur les troubles bipolaires, l'anxiété et la schizophrénie. NetraAI, basé sur les méthodes d'Attractor AI, a été utilisé pour analyser les données d'efficacité, de démographie et de sécurité afin de prédire les réponses aux placebos. L'utilisation de ces variables pour déterminer les critères d'inclusion/exclusion devrait améliorer considérablement la signification statistique des futurs essais de la thérapie évaluée dans l'essai de phase 2a.

Identification des variables d'efficacité pour l'utilisation de l'escitalopram dans la dépression majeure légère (MDD) : Implications pour les essais sur la dépression majeure résistante au traitement (Poster #24) Ce poster décrit les résultats d'une étude conçue pour déterminer si NetraAI peut identifier des sous-populations uniques dans les essais cliniques sur la dépression majeure avec des réponses variables à l'escitalopram pour le traitement de la dépression. L'étude a utilisé un ensemble de données de 172 patients provenant du volet exploratoire sur l'escitalopram d'un essai clinique sur la dépression majeure. Les principales conclusions de cette étude sont les suivantes : NetraAI a identifié une sous-population de 110 patients répondant à l'escitalopram, caractérisée par 7 variables.

Outre les nouveaux résultats présentés dans les affiches, le Dr Geraci a également présenté des résultats antérieurs démontrant la puissance d'AttractorAI dans une présentation intitulée "Biomarker identification for patient enrichment strategies in CNS clinical trials : Alternative approaches and challenges", qui soulignait la capacité de NetraAI à découvrir des sous-populations de participants à des essais cliniques pour lesquels les facteurs causaux de réponse sont présents en combinaison, et à transformer les connaissances de ces participants en paramètres réglables pouvant être utilisés pour améliorer les résultats des essais cliniques. Des données issues d'un essai clinique sur la schizophrénie ont montré que NetraAI a permis d'obtenir des informations sur les variables qui déterminent les réponses aux placebos et aux médicaments. L'application de ces variables à un modèle d'essai plus large devrait avoir un impact substantiel sur la signification statistique - une réduction de la valeur p de 0,04 à 0,0019.

" Les méthodes traditionnelles de ML peuvent être efficaces lorsqu'elles peuvent être entraînées sur de grandes quantités de données et lorsque les objets qu'elles sont entraînées à reconnaître sont clairement distincts les uns des autres", a ajouté le Dr Geraci. Comme le montre le cas d'utilisation de la schizophrénie décrit dans la présentation, les modèles basés sur des variables ayant une signification statistique élevée dans un sous-ensemble de la population totale peuvent être extrêmement puissants et peuvent conduire à des améliorations significatives des valeurs p dont l'industrie biopharmaceutique a besoin pour améliorer le taux de réussite de ses essais cliniques". La NetraAI utilise les sous-ensembles explicables pour dériver des idées et des hypothèses (y compris les facteurs qui influencent les réponses au traitement et au placebo, ainsi que les événements indésirables) qui peuvent augmenter de manière significative les chances de réponses au traitement et au placebo.