AI i kliniska studier: OncoZenge och vägen till fas III

150 patienter i fyra länder. En CTA-ansökan inskickad till EMA. Och en riktad finansiering på cirka 9,1 Mkr som landar direkt när den regulatoriska milstolpen är nådd.

Det är lätt att tro att läkemedelsutveckling främst avgörs i labbet. Men i praktiken avgörs den ofta i övergångarna: mellan fas II och fas III, mellan data och regulatorik, mellan plan och faktisk studiestart. OncoZenges senaste steg med BupiZenge är ett tydligt exempel på just den typen av “operativ verklighet” som allt fler bolag försöker bemästra med bättre dataflöden, mer standardiserade processer – och i ökande grad AI i kliniska studier.

Den här artikeln placerar nyheten i ett större sammanhang: vad en CTA faktiskt innebär, varför oral mukosit är ett så besvärligt kliniskt problem, och hur AI och datadrivna arbetssätt kan minska risk och tidsförluster i pivotala prövningar.

Varför oral mukosit är en affärskritisk indikation

Oral mukosit är inte “bara” ont i munnen – det är en behandlingsbegränsare. När slemhinnan i munnen skadas av strålning eller cytostatika kan smärtan bli så stark att patienter får svårt att äta, dricka, prata och ibland även att fullfölja sin cancerbehandling enligt plan.

Det här får en dominoeffekt:

• Avbrutna eller försenade cancerbehandlingar (med risk för sämre behandlingsresultat)
• Ökat vårdbehov (nutrition, smärtvård, ibland inläggning)
• Större användning av systemiska smärtstillande medel, inklusive opioider

Ur ett utvecklingsperspektiv är det därför en tacksam – men krävande – målbild: en lokal behandling som ger snabb och tydlig smärtlindring kan ge mätbar klinisk nytta och hög relevans för både patienter och vårdgivare.

OncoZenge utvecklar BupiZenge, en sugtablett baserad på bupivakain, med målet att ge smärtlindring vid oral mukosit. I bolagets fas II-data rapporterades statistiskt signifikant och kliniskt meningsfull smärtlindring jämfört med standardbehandling, samt en gynnsam säkerhetsprofil. Det är exakt den sorts signal som gör att man kan motivera nästa steg: en pivotal fas III.

CTA till EMA: vad som faktiskt händer när du “skickar in”

CTA (Clinical Trial Application) är inte ett formulär – det är ett stresstest av hela projektet. Att OncoZenge nu skickat in CTA för fas III-studien BZ003 till EMA betyder att stora delar av följande redan måste sitta:

• Kliniskt protokoll (endpoints, inklusionskriterier, statistisk plan)
• Kvalitets- och tillverkningskedja (CMC) för prövningsläkemedlet
• Säkerhetsdokumentation och riskhantering
• Plan för prövningslogistik och övervakning

Studien BZ003 är planerad som en randomiserad prövning med 150 patienter i Sverige, Norge, Danmark och Tyskland, där BupiZenge jämförs mot standardbehandling med lidokain.

Här finns ett viktigt budskap för alla som följer AI inom läkemedel och bioteknik: den regulatoriska fasen är i praktiken en datadisciplin. Spårbarhet, konsistens, versionshantering, avvikelsehantering och dokumentkvalitet är det som avgör hur smidigt projektet rör sig framåt.

Var AI faktiskt kan göra skillnad i CTA- och fas III-arbetet

AI ersätter inte regulatorisk expertis. Men rätt använd kan AI minska friktion i tre områden som ofta kostar månader:

1. Protokolloptimering och feasibility

   • Simulering av rekrytering baserat på historiska mönster per site/region
   • Identifiering av inklusionskriterier som riskerar att strypa inflödet

2. Dokumentation och kvalitetskontroll

   • Automatiska kontroller för inkonsistenser mellan protokoll, IB, IMPD och patientinformation
   • NLP-baserad avvikelsedetektion i text (t.ex. olika doseringsbeskrivningar i olika dokument)

3. Riskbaserad monitorering (RBM)

   • Modellering av vilka datapunkter och centers som sannolikt behöver tätare uppföljning
   • Tidig signalering när datakvalitet, deviations eller query-volymer drar iväg

Poängen är enkel: fas III är dyrt, och det som inte är standardiserat blir snabbt dyrast.

Finansieringen på 9,1 Mkr: varför milstolpar slår “allmän kassa”

OncoZenge säkrar cirka 9,1 Mkr genom en riktad nyemission om 1 400 894 aktier till den strategiska investeraren Sichuan Yangtian Bio-Pharmaceutical. Teckningskursen uppges till 6,47 kr per aktie, vilket motsvarar en premie om cirka 4,7 % jämfört med volymviktad genomsnittskurs (VWAP) 2025-12-18 och cirka 40 % jämfört med VWAP vid avtalets ingång i januari 2025.

Det intressanta här är mekaniken: kapitalet frigörs när en tydlig operativ milstolpe nås (CTA inlämnad). Den typen av upplägg är mer än finansiering – det är styrning.

Jag gillar den här modellen av två skäl:

• Den skapar internt fokus på det som faktiskt minskar projektets risk: regulatoriska och operativa leveranser.
• Den gör investeringen mer rationell: kapital flyttas in när sannolikheten för nästa steg ökar.

Likviden ska enligt bolaget gå till förberedelser inför studiestart: CDMO-aktiviteter, säkra jämförelseläkemedel (lidokain) och CRO-resurser för genomförandet.

En bra tumregel i klinisk utveckling: det är sällan “studien” som blir försenad – det är leveranskedjan runt studien.

Från fas II till fas III: vad som avgör om signal blir produkt

Fas II kan visa effekt. Fas III måste visa att effekten är robust, reproducerbar och relevant. Det är därför pivotala studier tenderar att fälla avgörandet.

Tre praktiska faktorer brukar avgöra om övergången lyckas:

1) Rätt endpoint – och rätt sätt att mäta den

Smärta är subjektivt men mätbart. Utmaningen är att mätningen måste vara konsekvent mellan länder och centers. Här kan digitala patientrapporterade utfall (ePRO) och smart datavalidering göra stor skillnad.

2) Rekrytering och site-prestanda

150 patienter låter inte enormt, men i en specifik patientgrupp med tydliga behandlingsfaser kan rekrytering ändå bli flaskhals. Datadrivna predictions för site-aktivering och rekrytering (inkl. säsongsmönster) är ett område där AI ofta ger konkret nytta.

3) Supply chain: prövningsläkemedel och comparator

När comparator är standardbehandling (lidokain) krävs robust planering: rätt produkt, rätt volymer, rätt logistik, rätt dokumentation. Många projekt underskattar hur mycket tid “enkla” inköp tar när de ska göras GxP-korrekt.

Tidslinjen mot 2026: vad som händer härnäst

Bolaget beskriver en tydlig färdplan för 2026:

• Regulatorisk granskning under kommande månader, inklusive svar på myndighetsfrågor
• CTA-godkännande förväntas mars eller april 2026
• Vid godkännande utlöses den fjärde och sista tranchen i investeringsavtalet
• Målet är att vara finansierad för att behandla första patienten under Q2 2026

Efter den senaste transaktionen uppges Sichuan Yangtian Bio-Pharmaceutical äga cirka 16,6 % av aktierna, med potential att nå cirka 28,5 % när hela investeringsprogrammet är slutfört.

Här finns också en bredare branschpoäng som passar väl i vår serie om AI inom läkemedel och bioteknik: 2026 lär bli året då fler bolag går från “AI-piloter” till AI som produktionskapacitet i klinisk drift.

Praktiska lärdomar för biotech-team som vill använda AI i kliniska studier

Det är lockande att börja med den mest avancerade modellen. De team jag sett lyckas börjar tvärtom med det mest tråkiga.

Fyra konkreta steg som ofta ger effekt inom 8–12 veckor:

1. Kartan över dataflöden

   • Lista var data skapas (ePRO, EDC, labs, safety), var den lagras, och vem som äger den.

2. Standardisera begrepp och versioner

   • AI på ostrukturerad text fungerar, men bara om du vet vilken version som gäller.

3. Sätt en RBM-strategi som går att automatisera

   • Börja med enkla riskindikatorer: query rate, deviations, latenser, saknade datapunkter.

4. Mät det som påverkar tidslinjen

   • Rekryteringshastighet per site, tid från visit till databas, tid till SAE-rapportering, antal protokollavvikelser.

Det här är inte glamoröst. Men det är så man minskar risken för att en fas III blir ett svart hål av sena datapunkter och sena beslut.

Vad betyder OncoZenges steg för svensk biotech – och för patienterna?

OncoZenges CTA-inlämning och finansieringen på 9,1 Mkr är en påminnelse om hur läkemedelsutveckling faktiskt rör sig framåt: genom mätbara leveranser som sänker risk och gör nästa beslut enklare.

För patienter med oral mukosit är målet större än regulatoriska milstolpar. Det handlar om att kunna äta, dricka och orka genomföra sin cancerbehandling med mindre smärta – och potentiellt med minskat opioidbehov.

För dig som jobbar med AI i läkemedel och bioteknik är caset lika relevant av ett annat skäl: det visar var AI ger mest praktisk effekt just nu – i genomförande, kvalitet och beslutsstöd runt kliniska studier. När fler bolag bygger den förmågan blir “time-to-first-patient” och “time-to-database-lock” konkurrensmedel, inte bara projektdetaljer.

Om du planerar klinisk fas III under 2026: var lägger ni AI – i en demo, eller i den del av organisationen som faktiskt styr tidslinjen?