NetraMark Holdings Inc. gab die Präsentation neuer Daten bekannt, die zeigen, dass die Anwendung seiner klinischen Lösung NetraAI auf Datensätze von weniger als 400 Patienten Variablen identifizieren kann, die die Wirksamkeit und das Ansprechen auf Placebos in psychiatrischen klinischen Studien mit hoher statistischer Signifikanz vorhersagen. Sie zeigen auch, dass die Anwendung von Modellen, die auf diesen Variablen beruhen, auf unabhängige Patientenpopulationen die Wirksamkeit und das Ansprechen auf Placebos korrekt vorhersagt und damit einen neuartigen Ansatz zur Risikominderung bei klinischen Studien für psychiatrische Therapien bietet. Die Daten wurden am 22. Februar auf der 20. Jahrestagung der ISCTM in Washington DC vorgestellt.

Bewertung der Wirksamkeit von Medikamenten: Leveraging machine learning insights from placebo response modeling (Poster #15) Dieses Poster beschreibt die Ergebnisse einer Studie, die darauf abzielt, Algorithmen des maschinellen Lernens (ML) zu nutzen, um Merkmale des Ansprechens auf Medikamente und Placebos in klinischen Studien zu bipolarer Störung, Angstzuständen und Schizophrenie zu identifizieren. NetraAI, basierend auf Attractor AI-Methoden, wurde zur Analyse von Wirksamkeits-, demographischen und Sicherheitsdaten zur Vorhersage von Placebo-Reaktionen eingesetzt. Es wird erwartet, dass die Verwendung dieser Variablen bei der Festlegung von Einschluss-/Ausschlusskriterien die statistische Signifikanz für zukünftige Studien mit der in der Phase 2a-Studie untersuchten Therapie erheblich verbessern wird.

Identifizierung von Wirksamkeitsvariablen für den Einsatz von Escitalopram bei leichter Major Depression (MDD): Implikationen für behandlungsresistente MDD-Studien (Poster #24) Dieses Poster beschreibt die Ergebnisse einer Studie, mit der ermittelt werden sollte, ob NetraAI in klinischen MDD-Studien einzigartige Subpopulationen mit unterschiedlichem Ansprechen auf Escitalopram zur Behandlung von Depressionen identifizieren kann. Für die Studie wurde ein Datensatz mit 172 Patienten aus dem explorativen Escitalopram-Arm einer MDD-Studie verwendet. Die wichtigsten Ergebnisse dieser Studie sind: NetraAI identifizierte eine auf Escitalopram ansprechende Subpopulation von 110 Patienten, die durch 7 Variablen charakterisiert wurde.

Zusätzlich zu den auf den Postern vorgestellten neuen Ergebnissen präsentierte Dr. Geraci in einer Präsentation mit dem Titel "Biomarker-Identifizierung für Patientenanreicherungsstrategien in klinischen ZNS-Studien" auch bereits berichtete Ergebnisse, die die Leistungsfähigkeit von AttractorAI belegen: Alternative Ansätze und Herausforderungen", der die Fähigkeit von AttractorAI unterstrich, Subpopulationen von Teilnehmern an klinischen Studien zu entdecken, bei denen kausale Faktoren für das Ansprechen in Kombination vorhanden sind, und die Erkenntnisse über diese Teilnehmer in abstimmbare Parameter umzuwandeln, die zur Verbesserung der Ergebnisse klinischer Studien genutzt werden können. Dazu gehörten Daten aus einer klinischen Studie zu Schizophrenie, die zeigten, dass NetraAI Erkenntnisse über die Variablen lieferte, die das Ansprechen auf Placebos und Medikamente beeinflussen. Bemerkenswert ist, dass zwar nur 30 % der durch diese Variablen identifizierten Teilpopulation erklärbar war, die Anwendung dieser Variablen jedoch erklärbar war. Die Anwendung dieser Variablen auf ein Modell einer größeren Studie wird voraussichtlich einen erheblichen Einfluss auf die statistische Signifikanz haben - eine Verringerung des p-Wertes von 0,04 auf 0,0019.

" Traditionelle ML-Methoden können effektiv sein, wenn sie auf große Datenmengen trainiert werden können und wenn die Objekte, auf deren Erkennung sie trainiert werden, klar voneinander unterscheidbar sind", fügte Dr. Geraci hinzu. Wie der in der Präsentation beschriebene Anwendungsfall der Schizophrenie zeigt, können Modelle, die auf Variablen mit hoher statistischer Signifikanz in einer Teilmenge der Gesamtpopulation basieren, extrem leistungsfähig sein und die signifikanten Verbesserungen der p-Werte bewirken, die die biopharmazeutische Industrie benötigt, um ihre Erfolgsquote bei klinischen Studien zu verbessern." Die NetraAI nutzt die erklärbaren Teilmengen, um Erkenntnisse und Hypothesen abzuleiten (einschließlich Faktoren, die das Ansprechen auf Behandlung und Placebo sowie unerwünschte Ereignisse beeinflussen), die die Chancen auf ein Ansprechen auf Behandlung und Placebo deutlich erhöhen können.