● [ealth Policy Insight 396회]

2020년과 2021년에 신종 코로나바이러스에 대한 생명을 구하는 치료법과 백신을 시험하기 위해 거의 5,000건의 임상시험이 시작되었다. 이 Covid-19 임상시험은 평균보다 80% 높은 환자등록 수준(enrollment levels)을 보였다.

그러나 암과 같은 많은 질병의 경우, 적격 환자의 10% 미만이 임상시험에 등록한다. 많은 환자는 기존 치료법이 이미 실패한 경우에만 의약품 임상시험에 등록한다. 환자 자격(eligibility)을 결정하는 것은 그 자체로 엄청난 도전이다. 적격의 사람들에게 참여는 종종 비용과 시간이 많이 소요된다. 이 프로세스는 다른 이해관계자에게도 비효율적이다 - 의약품 임상시험 일정은 평균 거의 10년이며 일반적으로 10억 달러가 넘는 비용이 소요된다. 이러한 문제를 해결하기 위해, 스타트업(startups)과 기술 대기업(big tech companies)은 원격 모니터링을 위한 IoT 지원 의료기기부터 전자건강기록(electronic health record, EHR) 처리를 위한 기계학습, 데이터 보호를 위한 AI 기반 사이버보안에 이르기까지 임상 시험을 위한 기술 솔루션을 적극적으로 개발하고 있다. CB Insights Industry Analyst Consensus에 따르면, 임상시험 시장은 현재 670억 달러에 이른다.

환자 모집(Patient recruitment)
올바른 임상시험을 올바른 환자와 매칭하는 것은 임상연구팀과 환자 모두에게 시간 소요가 많고 어려운 일이다. 임상시험의 약 80%가 등록일정(enrollment timelines)을 맞추지 못하고, 3상 연구의 약 1/3이 등록 문제로 인해 종료된다. 환자 데이터에 접근하여 임상시험 매칭을 용이하게 하는 기술 솔루션은 구조화되지 않은 헬스케어 데이터 및 서로 의사소통되지 않는 이질적인 데이터 출처를 포함하여 여러 가지 문제에 직면한다. EHR 채택에 대한 연방정부의 인센티브에도 불구하고, 표준 형식(standard format)이나 환자 의료데이터의 중앙집중식 저장소(centralized repository)는 없다. 오늘날 의료공급자 전체에서 EHR은 서로 데이터를 공유하지 않는 대체로 독립적인 시스템이다. 결과적으로 의료기관 간 건강정보 공유와 같은 상호운용성(interoperability) 이슈가 지속된다. 이에 따라 임상시험 매칭을 위한 환자데이터 접근성은 어려워진다. 의약품, 의료기기 및 디지털 치료법이 틈새(niche) 하위집단을 대상으로 할 때 문제가 확대된다. 임상시험 기술 환경이 발전함에 따라, 더 많은 스타트업이 환자모집 권고에 집중하고 있다. 자연어 처리(natural language processing, NLP)는 환자의 EHR에서 관련 정보를 추출 및 분석하고, 진행 중인 임상시험의 적격성 기준과 비교하며, 연구 매칭을 추천하는데 도움이 된다. 희소병과 같은 독특한 영역에 집중하면 붐비는 공간에서 관심을 끌 수 있다. 그 결과 제약회사가 각 특정 임상시험의 중점 영역에 따라 업체(vendor)를 선택하는 분절된 환자모집(fragmented patient recruitment) 및 등록 생태계가 나타났다. 소외계층에 대한 접근성을 제공하는 스타트업에 기회가 많다.

만병통치약 솔루션(one-size-fits-all solution)이 없기 때문에 환자모집은 분절화된 생태계로 남을 것이다. 의사 업무흐름(workflow)에 직접 통합되고 EHR 데이터를 활용하여 후보자를 식별하는 솔루션이 유리할 것이다. 기술 대기업(big tech)은 기존 소비자 건강데이터를 활용하여 공간에서 입지를 강화할 것이다.

분산형 임상시험(Decentralized clinical trials)
전통적인 임상시험은 오랜 기간에 걸쳐 입증되었지만, 위치가 유연하거나 비용 효과적이지 않다. 분산형 임상시험은 가상의 전염병의 영향을 받는 세계에서 더 빠르고 저렴한 솔루션을 제공한다. 분산화는 빠르게 임상시험의 새로운 표준이 되고 있다. 분산 형 임상시험(decentralized clinical trials, DCTs)은 주로 지역 의료공급자 또는 원격의료를 통해 완료되는 연구이다. 대부분의 임상시험이 아직 완전히 분산되지는 않았지만, 이 범주의 솔루션을 통해 임상시험을 환자에게 더 다가갈 수 있게 한다. 이 접근방식은 대면방문이 많이 필요하지 않은 간소화된 임상시험 절차로 이어져, 환자를 포함한 모든 이해관계자의 시간과 비용을 절약한다. DCT 솔루션의 특징에는 종종 전자 동의서(electronic consent), 원격 환자 모니터링 및 전자 임상결과 평가(electronic clinical outcome assessments, eCOAs)가 포함된다. 이를 통해 임상시험 스폰서는 대면방문을 하지 않고도 임상시험 참가자와의 연결을 유지할 수 있다.

DCT 플랫폼이 농촌 환경에서 임상시험에 대한 접근성을 확장함에 따라, 환자집단의 다양성이 향상될 것이다. 전염병이 계속되고 제약회사가 분산화의 비용 및 시간 혜택에 대한 근거를 보기 시작함에 따라, 자금지원의 지속적인 성장이 기대된다. 환자 데이터에 대한 접근성이 모집에 중요하기 때문에 상호운용성은 DCT 기업의 도전과제가 될 것이다. 더 많은 기존 참여자(legacy players)와 CROs가 DCT 기업을 구축, 구매 또는 파트너 관계를 맺을 것이다. 

가상 임상시험(In silico clinical trials)
인간 환자와 함께 일하는 것은 시간과 비용이 많이 들고, 어떤 경우에는 실행 불가능하다. (동물과 인간에 대한) in vivo 시험은 의약품 개발 및 상용화 총 비용의 75% 이상을 차지하는 것으로 추정되며, 신속하고 효율적인 프로세스에 대한 가장 큰 장애물 가운데 하나는 환자모집이다. 한편, 전통적인 임상시험에서 일부 환자는 대조군에 있어야 하며, 이는 잠재적으로 생명을 구할 수 있는 치료를 받지 못한다는 것을 의미한다. 현재 일부 임상시험은 모집 및 등록의 시간, 비용 및 부담을 줄이기 위해, 환자를 시뮬레이션하고 디지털 트윈(digital twins)을 이용하여 가상으로 진행되고 있다. 가상 임상시험(in silico trials)에서는 컴퓨터 모델을 사용하여 의약품, 의료기기 또는 중재가 가상 인구에 미치는 영향을 시뮬레이션한다. 이 기술은 비용을 절감하고 추진 일정을 가속화하는 동시에, 동물 또는 인간 실험 대상에 대한 위험을 줄이는 방법으로 부상하고 있다. 가상 임상시험은 전통적인 임상시험을 완전히 대체할 것 같지는 않지만, 속도와 성공률을 극적으로 향상할 수 있다. 연구자들은 질병 진행의 통계적 모델을 사용하여 특정 특성이 치료에 미치는 영향 수준까지 해당 환자집단에 대한 임상결과를 더 잘 시뮬레이션할 수 있다. 이는 해당 중재에 대한 환자의 적합성을 평가하는 초개인화된 접근방식을 초래할 수 있다. 초기의 가상 임상시험 시장은 이미 29억 달러로 평가된다. 규제기관이 승인을 위해 완전히 시뮬레이션된 임상시험을 고려할 가능성은 작다. 그러나 이러한 접근 방식은 인간 임상실험을 보완하여 환자 수를 줄이고, 비용을 줄이며, 시장 출시 속도를 높일 수 있다.

가상 임상시험은 실세계 데이터에 크게 의존한다. 더 나은 데이터는 더 나은 모델을 생성하고 따라서 더 나은 예측을 제공한다. 가까운 미래에 가상 실험은 전통적인 in vivo 시험을 완전히 대체하는 것이 아니라 확장하거나 최적화하는데 주로 사용될 것이다. 임상시험을 보다 효율적이고 탄력적으로 만들기 위한 계층적 접근방식(layered approach)으로 가상기술을 파이프라인에 통합하는 더 많은 제약회사를 보게 될 것이다. 가상 임상시험은 아직 규제 관점에서 입증되지 않았다. FDA 및 유럽연합의 EMA와 같은 규제기관은 디지털 근거와 같은 데이터를 수집하고 분석하기 위한 모범사례를 개략적으로 설명할 것이다.