Digitalizing time-consuming Medical Review Processes by Artificial Intelligence (AI) in Clinical Studies

Smart AI accelerates Drug Development, hence, extends Time Span for Return on Investment within Patent Term This article discusses the potential of using smart artificial intelligence (AI)-driven 3-dimensional (3D), virtual reality (VR), augmented reality (AR) data visualization for Medical Data Listing Review and large language model AI for Medical Data Profile Review in clinical research drug development. Integrating these technologies can accelerate the development timeline, extend the market exclusivity period, and enhance the return on investment (ROI) for new drugs.

Joachim Linke, Jason Marsh, Bill Morton

New Paragraph

Innovative treatment allows prolongation of Type 1 Diabetes mellitus outbreak in potential risk subjects: Can AI create an Answer to the Question How and When to Screen Subjects at Risk?

In times of growing influence of artificial intelligence (AI) in industry—including the pharmaceutical industry—it is of utmost interest to check the possibilities and chances and to what extent these new techniques can help to develop and narrow down scientific questions. The medical-scientific rationale for this specific exercise described hereafter is the availability of new pharmaceutical approaches (CD3-directed monoclonal antibody treatment [1], Sanofi) which have shown a disease delaying effect on Type 1 Diabetes mellitus (T1DM). The earlier the detection of potential T1DM patients, the better the substantial prolongation of the T1DM manifestation in these patients with T1DM risk [2][3][4]. With the prolongation of the manifestation of T1DM also the T1DM concomitant diseases caused by hyperglycemia can be prolonged e.g. micro- and macrovascular complications. The availability of new drugs prolonging the manifestation of T1DM, the detection of potential T1DM patients brought the screening into the focus since subjects with risk for T1DM mostly benefit from an early detection and therapy. In this context, we wanted to know the capabilities of a LLM (Large Language Model) to extract relevant information from only a few text sources to answer questions concerning the screening for T1DM.

Joachim Linke, Steffen Berhorst, Sophie Yavuz

New Paragraph

Anaesthetic efficacy and postinduction hypotension with remimazolam compared with propofol: a multicentre randomised controlled trial

Remimazolam, a short-acting benzodiazepine, may be used for induction and maintenance of total intravenous anaesthesia, but its role in the management of patients with multiple comorbidities remains unclear. In this phase 3 randomised controlled trial, we compared the anaesthetic efficacy and the incidence of postinduction hypotension during total intravenous anaesthesia with remimazolam vs. propofol. A total of 365 patients (ASA physical status 3 or 4) scheduled for elective surgery were assigned randomly to receive total intravenous anaesthesia with remimazolam (n = 270) or propofol (n = 95). Primary outcome was anaesthetic effect, quantified as the percentage of time with Narcotrend
Index values ≤ 60, during surgery (skin incision to last skin suture), with a non-inferiority margin of -10%. Secondary outcome was the incidence of postinduction hypotensive events. Mean (SD) percentage of time with Narcotrend Index values ≤ 60 during surgery across all patients receiving remimazolam (93% (20.7)) was non-inferior to propofol (99% (4.2)), mean difference (97.5% CI) -6.28% (-8.89–infinite); p = 0.003. Mean (SD) number of postinduction hypotension events was 62 (38.1) and 71 (41.1) for patients allocated to the remimazolam and propofol groups, respectively; p = 0.015. Noradrenaline administration events (requirement for a bolus and/or infusion) were also lower in patients allocated to remimazolam compared with propofol (14 (13.5) vs. 20 (14.6), respectively; p < 0.001).

In conclusion, in patients who were ASA physical status 3 or 4, the anaesthetic effect of remimazolam was noninferior to propofol.

Datenströme und ihre

Visualisierung – KI führt Nutzer

durch relevante Analysen

Die Digitalisierung im Gesundheitswesen führt zu wachsenden medizinischen Datenströmen. Diese bergen werthaltige Informationen für Forschung und Entwicklung. Die heute schon verfügbaren Visualisierungstools ermöglichen beeindruckende Einsichten in den Datenbestand. Ein nächster Schritt ist die statistische Analyse dieser Datenströme, die sich auf Künstliche Intelligenz (KI) stützt und dabei neue Hypothesen generiert für weiterführende wissenschaftliche Untersuchungen, die auf dem klassischen Weg nicht formuliert worden wären. Wie das aussehen könnte, erläutern die Autoren in Folge III ihres Beitrags zur Wertschöpfungskette

„Medizinische Daten“.

Der medizinische Datenstrom –

Hintergrund, praktische

Beispiele und Kommentare

Die moderne Gesundheitsversorgung stützt sich mehr und mehr auf sogenannte ”Big Data“, um die Routinepflege, eine effiziente Behandlung bis hin zur angemessenen Bewertung von Gesundheitstechnologien und Kosteneffizienz zu gewährleisten. Der Datenstrom für Big Data stammt dabei aus vielen verschiedenen Quellen. Die Autoren hatten sich in der Folge I allgemeintheoretisch mit dem Thema der Digitalisierung im Gesundheitswesen beschäftigt. Nachfolgend wird die Wertschöpfungskette „Medizinische Daten“ dargestellt und es werden praktische Beispiele diskutiert und von Teilnehmern am Gesundheitssystem kommentiert, die ihre Erfahrungen mit spezifischen medizinischen Datenströmen erläutern.

Der medizinische Datenstrom kann zahllose werthaltige Informationen offenbaren

Die moderne Gesundheitsversorgung stützt sich mehr und mehr auf sogenannte ”Big Data“, um die Routinepflege, eine effiziente Behandlung bis hin zur angemessenen Bewertung von Gesundheitstechnologien und Kosteneffizienz zu gewährleisten. Der Datenstrom für Big Data stammt nicht nur aus den traditionellen Datenquellen wie elektronischen Krankenakten, Rezepten und Versicherungsansprüchen, sondern auch aus dem Internet, beispielsweise aus sozialen Medien, Suchmaschinen sowie von Patienten aufgezeichneten bzw. gemeldeten Daten (aus sogenannten Apps = Applikationen; kleinere Softwareanwendungen auf Mobiltelefonen und Tablets). Nachfolgend beschäftigen sich die Autoren zunächst allgemeintheoretisch mit dem Thema der Digitalisierung im Gesundheitswesen. In der nächsten Ausgabe dieses Journals werden die Autoren Aspekte einer „Wertschöpfungskette Medizinische Daten“ beschreiben und auch praktisch-medizinische Beispiele erläutern sowie einen Ausblick über mögliche zukünftige Entwicklungen der Datengewinnung und Datenanalyse geben.