NetraMark Holdings Inc. kondigt de presentatie aan van nieuwe gegevens die aantonen dat de toepassing van haar klinische NetraAI-oplossing op datasets van minder dan 400 patiënten variabelen kan identificeren die werkzaamheid en placeborespons in psychiatrische klinische onderzoeken met hoge statistische significantie voorspellen. Ze tonen ook aan dat de toepassing van modellen gebaseerd op deze variabelen op onafhankelijke patiëntenpopulaties de werkzaamheid en placeborespons correct voorspelt, wat een nieuwe aanpak biedt om het risico van klinische onderzoeken voor psychiatrische therapieën te verlagen. De gegevens werden op 22 februari gepresenteerd op de ISCTM 20th Annual Meeting in Washington DC.

Werkzaamheid van geneesmiddelen evalueren: Inzichten uit machinaal leren van placeboresponsmodellering benutten (Poster #15) Deze poster beschrijft de resultaten van een onderzoek dat is ontworpen om machinaal leren (ML)-algoritmen te benutten om kenmerken van geneesmiddelen- en placeborespons in klinische onderzoeken naar bipolaire stoornis, angst en schizofrenie te identificeren. NetraAI, gebaseerd op Attractor AI-methoden, werd gebruikt om werkzaamheids-, demografische en veiligheidsgegevens te analyseren voor het voorspellen van placeborespons. Het gebruik van deze variabelen bij het bepalen van in-/uitsluitingscriteria zal naar verwachting de statistische significantie voor toekomstige onderzoeken van de therapie die in het fase 2a onderzoek werd geëvalueerd, sterk verbeteren.

Identificatie van werkzaamheidsvariabelen voor het gebruik van escitalopram bij milde depressieve stoornis (MDD): Implicaties voor onderzoeken naar behandelingsresistente MDD (Poster #24) Deze poster beschrijft de resultaten van een onderzoek dat is opgezet om te bepalen of NetraAI unieke subpopulaties kan identificeren in klinische onderzoeken naar MDD met verschillende reacties op escitalopram voor de behandeling van depressie. Het onderzoek gebruikte een dataset van 172 patiënten uit de verkennende escitalopram-arm van een MDD-onderzoek. De belangrijkste bevindingen van dit onderzoek zijn NetraAI identificeerde een escitalopram respons subpopulatie van 110 patiënten gekenmerkt door 7 variabelen.

Naast de nieuwe resultaten die op de posters gepresenteerd werden, presenteerde Dr. Geraci ook eerder gerapporteerde resultaten die de kracht van AttractorAI aantoonden in een presentatie, getiteld "Biomarker identification for patient enrichment strategies in CNS clinical trials: Alternative approaches and challenges," waarin het vermogen van NetraAI werd onderstreept om subpopulaties van deelnemers aan klinische onderzoeken te ontdekken waarbij causale factoren voor respons in combinatie aanwezig zijn, en om inzichten van deze deelnemers om te zetten in afstembare parameters die gebruikt kunnen worden om de resultaten van klinische onderzoeken te verbeteren. Dit omvatte gegevens van een schizofrenie klinische studie use case waaruit bleek dat NetraAI inzichten verschafte met betrekking tot variabelen die placebo- en geneesmiddelresponsen bepalen. Met name was slechts 30% van de subpopulatie die door deze variabelen werd geïdentificeerd verklaarbaar, maar de toepassing van deze variabelen was verklaarbaar, De toepassing van deze variabelen op een model van een grotere trial zal naar verwachting een aanzienlijke impact hebben op de statistische significantie - een verlaging van de p-waarde van 0,04 naar 0,0019.

" Traditionele ML-methoden kunnen effectief zijn wanneer ze kunnen worden getraind op grote hoeveelheden gegevens en wanneer de objecten waarvoor ze worden getraind duidelijk van elkaar verschillen," voegde Dr. Geraci toe. Zoals te zien is in de schizofrenie use case die in de presentatie beschreven wordt, kunnen modellen die gebaseerd zijn op variabelen met een hoge statistische significantie in een subset van de totale populatie extreem krachtig zijn en de significante verbeteringen in p-waarden opleveren die de biofarmaceutische industrie nodig heeft om het succespercentage van klinische studies te verbeteren." De NetraAI gebruikt de verklaarbare subsets om inzichten en hypotheses af te leiden (waaronder factoren die de respons op behandeling en placebo beïnvloeden, evenals bijwerkingen) die de kans op respons op behandeling en placebo aanzienlijk kunnen verhogen.