查爾斯·費舍爾(Charles K. Fisher)博士說：“我們今天發(fā)布的結(jié)果令我們感到興奮，因為它們進一步驗證了我們的平臺及其潛在的潛力，可大大減少在阿爾茨海默氏病等重要患者需求領(lǐng)域開展臨床試驗所花費的時間。” ，Unlearn.AI的創(chuàng)始人兼首席執(zhí)行官。阿爾茨海默氏病的藥物開發(fā)越來越昂貴且耗時。我們相信，我們的平臺可以幫助減輕這些負擔并加快臨床試驗，從而為需要它們的患者提供新藥。”

Unlearn正在通過其基于機器學習的模型來解決患者招募這一與阿爾茨海默氏病臨床試驗相關(guān)的最大挑戰(zhàn)之一，該模型將數(shù)字化雙胞胎納入臨床研究的智能控制臂。Digital Twin是綜合的，縱向的和計算生成的臨床記錄，描述了如果特定患者接受安慰劑會發(fā)生的情況。專有的DiGenesis™工藝利用了成千上萬名患者的歷史臨床試驗數(shù)據(jù)集，特定疾病的機器學習模型以及嚴格的統(tǒng)計分析，以創(chuàng)建與研究治療組中的患者完全匹配的數(shù)字記錄。

為了從其阿爾茨海默氏病模型中獲得大量多樣的控制數(shù)據(jù)樣本，Unlearn通過其16個歷史臨床試驗的對照研究中的5,000名患有早至中度阿爾茨海默氏病的人的阿爾茨海默氏病關(guān)鍵路徑(CPAD)的成員身份使用了記錄。該模型在18個月內(nèi)捕獲了與阿爾茨海默氏病相關(guān)的50個臨床變量(如神經(jīng)系統(tǒng)檢查的組成部分)之間的關(guān)系，以跟蹤疾病的進展。

輝瑞醫(yī)療部門負責疼痛和神經(jīng)科學的前副總裁瑪麗娜·布羅德斯基(Marina Brodsky)博士說：“目前的臨床試驗狀態(tài)極具挑戰(zhàn)性，特別是對于衰弱性疾病如阿爾茨海默氏病，患者招募特別困難。”“這些發(fā)現(xiàn)令我感到鼓舞，并看到Unlearn平臺具有巨大的潛力，可以改變我們?yōu)榕R床試驗填充控制臂的方式，從而大大減少了將其盡快送給迫切需要它們的患者的時間。”

有關(guān)Unlearn早期阿爾茨海默氏病模型有效性的詳細信息，也已發(fā)表在《自然科學報告》的一篇名為《機器學習來全面預測阿爾茨海默氏病進展的文章》中。