AI i kliniska studier: snabbare dosval i cancervaccin

Tre patienter kan låta som “för lite data” för att säga något alls. Ändå är det ofta exakt så klinisk utveckling börjar: några få individer, noggranna säkerhetsgenomgångar och små, men viktiga, signaler om biologisk effekt.

Det är i den verkligheten ExpreS2ion Biotechnologies nu tar ett steg vidare i sin pågående fas I-studie av bröstcancervaccinet ES2B-C001. En oberoende säkerhetskommitté (DSMB) har tittat på säkerhetsdata från den första doskohorten och rekommenderat fortsatt doseskalering till nästa nivå. Samtidigt visar de tidiga data att vaccinet inducerar immunsvar mot HER2, med ökade antikroppsnivåer som verkar hålla i sig över tid.

För oss som följer serien ”AI inom läkemedel och bioteknik” är det här extra intressant. Inte för att AI “tar över” kliniska studier, utan för att AI kan göra det som fas I ofta lider brist på: bättre beslut på små datamängder, snabbare analys av immunsvar och mer precisa hypoteser om optimal dos.

Vad betyder “nästa dosnivå” i en fas I-studie?

Att gå vidare till nästa dosnivå är i praktiken ett kvitto på att den första dosen bedömts vara tillräckligt säker för att prövas i en högre eller medelhög dos. Det är en central milstolpe eftersom fas I i första hand handlar om säkerhet och tolerabilitet, men också om att börja förstå om läkemedlet gör det man hoppas – exempelvis att trigga ett mätbart immunsvar.

I ExpreS2ions fall har DSMB granskat säkerhetsdata från den första doskohorten och gett klartecken att testa en medelhög dos. Det är en klassisk väg i doseskalering: man vill hitta ett intervall där man får tydlig biologisk aktivitet utan att tumma på säkerheten.

Varför är dosval så svårt i immunterapi?

Cancerimmunologi bryr sig sällan om raka linjer. Högre dos ger inte alltid bättre effekt. Ibland ser man:

• Platåeffekt: immunsvaret slutar öka efter en viss dos.
• Tolerans/utmattning: immunförsvaret tappar “tryck” vid för intensiv stimulering.
• Förskjutning i immunsvar: fel typ av antikroppar eller T-cellsprofil dominerar.

Därför är steget “nästa dosnivå” mer än en formalitet. Det är en styrningspunkt för hela projektets tempo, kostnad och sannolikhet att lyckas.

ES2B-C001 och HER2: varför immunsignalerna spelar roll

ES2B-C001 är ett bröstcancervaccin som syftar till att inducera immunsvar mot HER2 – ett välkänt målprotein i vissa bröstcancerformer. I de tidiga data från de tre första patienterna rapporteras ökade antikroppsnivåer mot HER2, och att dessa nivåer verkar bibehållas över tid.

Det här är inte samma sak som att man redan har visat klinisk nytta (som tumörkrympning eller förbättrad överlevnad). Men det är ett viktigt “mekanistiskt kvitto”: vaccinet gör något mätbart i kroppen som matchar designen.

Vad ska man titta efter i tidig immunogenicitet?

När jag utvärderar tidiga vaccindata (oavsett om det gäller infektion eller cancer) brukar jag vilja se att man kan svara tydligt på tre frågor:

1. Magnitude: Hur mycket ökar antikropparna eller T-cellsmarkörerna?
2. Varaktighet: Håller responsen i sig i veckor/månader?
3. Kvalitet: Är det “rätt” typ av immunsvar (t.ex. neutraliserande antikroppar, relevant T-cellssvar, minnesrespons)?

Notisen pekar främst på magnitude och varaktighet (ökade nivåer som bibehålls). I nästa steg blir det ofta centralt att koppla immunmarkörer till kliniska endpoints eller surrogatmått – och här kan AI göra verklig skillnad.

Så kan AI accelerera doseskalering och beslut i fas I

AI är som mest nyttigt när det tar bort friktion i en process som redan är strikt reglerad. Kliniska studier är just en sådan process: massor av datapunkter, hög kvalitet, mycket manuellt arbete och många beslut med ofullständig information.

1) AI för smartare dosval (inte bara “högre/lägre”)

Traditionellt har doseskalering ofta byggt på relativt enkla regler (t.ex. kohortbaserade upplägg där man eskalerar om inga dosbegränsande toxiciteter ses). Det fungerar, men det är inte alltid effektivt.

Med AI/ML kan man i stället arbeta med modeller som kombinerar:

• Säkerhetsdata (biverkningar, labbmarkörer)
• PK/PD (exponering och biologisk effekt)
• Immunogenicitet (antikroppar, cytokiner, T-cellsprofiler)
• Patientkaraktäristika (ålder, tidigare behandlingar, biomarkörer)

Målet är inte att “automatisera beslutet”, utan att prioritera vilka doser som mest sannolikt ger en bra balans mellan effektmarkörer och tolerabilitet. I en fas I med små kohorter kan det spara både tid och patienter.

2) AI för att tolka immunsvar som är mer komplexa än en kurva

Antikroppsnivåer är ofta bara början. Moderna immunprofiler kan inkludera flödescytometri, single-cell-data, cytokinpanneler och mer. Det blir snabbt multidimensionellt.

AI kan hjälpa till att:

• Identifiera mönster som korrelerar med respons (t.ex. “signaturer” av cytokiner)
• Skilja mellan signal och brus när n är litet men antalet variabler stort
• Föreslå vilka markörer som bör bli primära explorativa endpoints i nästa fas

Det här är särskilt relevant för cancer vacciner där effekten kan vara indirekt och tidsfördröjd.

3) AI som “early warning system” för säkerhet

DSMB tar beslut baserat på sammanvägd säkerhetsinformation. AI kan stödja genom att hitta ovanliga mönster tidigt, till exempel:

• Små, konsekventa förändringar i labbvärden som föregår kliniska symptom
• Undergrupper som verkar ha högre riskprofil (t.ex. baserat på komorbiditeter)

Det ersätter inte medicinsk bedömning, men kan göra uppföljningen mer proaktiv.

En praktisk tumregel: AI gör mest nytta i fas I när den hjälper teamet att ställa bättre frågor innan man hinner göra dyra misstag.

Vad händer nu när studien eskalerar dosen?

När ExpreS2ion går vidare till en medelhög dos förändras studiens fokus subtilt: man fortsätter att bevaka säkerhet, men man börjar också jämföra dosnivåer mer aktivt utifrån biologiska signaler.

Förväntade datapunkter i nästa steg

I den här fasen brukar man vilja se:

• Om immunsvaret ökar ytterligare med den medelhöga dosen
• Om varaktigheten förbättras eller om responsen planar ut
• Om säkerhetsprofilen är fortsatt acceptabel
• Om man kan ana en dos–respons-relation (även om underlaget är litet)

Var AI konkret kan kopplas in i ett litet vaccinprogram

Om du sitter på ett biotechbolag eller i en forskningsorganisation och vill använda AI utan att göra det till ett sidoprojekt, brukar följande upplägg fungera:

1. Datastandardisering tidigt: enhetliga format för immunassays, metadata och tidsstämplar.
2. Fördefinierade modeller: börja med enkla Bayesianska modeller eller regelbaserade ML-pipelines som går att validera.
3. Tydliga beslutspunkter: koppla AI-analysen till konkreta frågor, t.ex. “vilken dos ska vi ta till fas II?”
4. Spårbarhet: all modelllogik måste kunna förklaras och granskas (regulatorisk verklighet).

Det är sällan “mer data” som är flaskhalsen i fas I. Det är ofta hur snabbt man kan omvandla data till beslut.

Vanliga följdfrågor (och raka svar)

Är tre patienter tillräckligt för att säga att vaccinet fungerar?

Nej, inte i klinisk bemärkelse. Men det kan räcka för att säga att vaccinet aktiverar immunförsvaret enligt plan och att säkerheten ser acceptabel ut i den första kohorten.

Varför är DSMB-rekommendationen så viktig?

För att DSMB är en oberoende funktion som bedömer risk/nytta under studiens gång. Ett “go” till nästa dosnivå betyder att utvecklingen kan fortsätta utan omdesign eller stopp, vilket sparar månader.

Kan AI ersätta DSMB eller kliniska prövare?

Nej. AI kan vara beslutsstöd, men ansvar och beslut ligger alltid hos prövare, sponsor och oberoende kommittéer.

Vad det här säger om svensk biotech – och varför AI behövs nu

Sverige har en stark tradition inom både immunologi och klinisk forskning, men många program drivs i små, kapitaldisciplinerade organisationer. Då blir effektivitet en överlevnadsfråga.

Att ExpreS2ion nu går vidare till nästa dosnivå visar hur projekt byggs steg för steg, med fokus på säkerhet och mätbara biologiska signaler. Min tydliga ståndpunkt: bolag som tidigt bygger in AI-kompetens i klinisk analys och biomarkörstrategi kommer att fatta bättre beslut snabbare. Inte för att de “gissar mer”, utan för att de reducerar osäkerhet när datapunkterna fortfarande är få.

Om du jobbar med kliniska studier, translational science eller dataplattformar i läkemedelsutveckling är det här ett bra tillfälle att fråga sig: Var i vår kliniska pipeline tar det längst tid att förstå vad data faktiskt säger? Där brukar AI ge snabbast effekt.