ما هو تأثير الذكاء الاصطناعي على سلامة الأدوية والممارسات التنظيمية؟

حتى الآن، تم تقويض المنطق التجاري بسبب الكم الهائل من العمل اللازم للتحقق من صحة أنظمة الأتمتة الذكية ورفعها إلى مستوى الوظائف الكاملة لأغراض البحث والتطوير في علوم الحياة، مثل تحويل الإبلاغ عن الأحداث الضارة. 

تتم الآن إزالة هذه العقبات، ويتم تعزيز الامتثال من خلال نماذج اللغة الكبيرة التي تقود الذكاء الاصطناعي التوليدي.

قد تتاح لشركات الأدوية فرصة لا تتكرر إلا مرة واحدة في القرن مع تقنية الذكاء الاصطناعي هذه، ولكن فقط إذا تمكنت من توسيع نطاقها والتعامل مع الصعوبات الخاصة التي يواجهها القطاع.

ما الذي يمكن تحقيقه؟

لقد ساهم التعلم الآلي ونماذج اللغة الكبيرة في جعل عمليات البحث السريع عن الأدوية الجديدة ممكنة، إلى جانب إجراء دراسات سريرية أكثر فعالية والحصول على موافقات أسرع من الجهات التنظيمية، مما ينتج عنه مواد تسويقية مركزة للغاية. 

إن كل جانب تقريباً من جوانب قطاع الأدوية يتغير بسبب الذكاء الاصطناعي التوليدي، الذي يغير أيضاً معايير العمليات التجارية وربما يطلق العنان لمليارات الدولارات من القيمة.

وفقًا لتقديرات معهد ماكينزي العالمي (MGI)، يمكن أن تجلب هذه التقنية ما بين 60 مليار دولار و110 مليار دولار سنويًا لصناعات الأدوية والمنتجات الطبية. 

ويرجع ذلك في المقام الأول إلى أن التكنولوجيا يمكنها زيادة الإنتاجية من خلال تسريع عملية إيجاد المركبات التي يمكن أن تكون أدوية جديدة، وتسريع تطوير تلك الأدوية والموافقة عليها، وتعزيز تسويقها.

تكمن الإمكانية في استخدام التعلم "في السياق"، واستقراء السرد، واكتشاف البيانات التلقائي بطريقة يفهمها المنظمون. متخصصان في الذكاء الاصطناعي ناقش راميش راماني ورافيكانث فاليغاري، وهما

الذكاء الاصطناعي لتحويل البيانات بكفاءة في مجال سلامة الأدوية

عندما تتواجد كميات كبيرة من البيانات بتنسيقات مختلفة وتأتي من مصادر عديدة، كما هو الحال في مراقبة السلامة على سبيل المثال، فإن الأمر يتطلب الكثير من العمل الإداري لتجميع أي اكتشافات جديرة بالذكر وجعلها مفيدة. 

هنا تكمن الإمكانات الكبيرة لتحويل العمليات بفضل أحدث التطورات في مجال التعلم الآلي والذكاء الاصطناعي. ليس فقط من حيث الكفاءة، بل أيضاً من حيث زيادة الدقة بشكل ملحوظ، شريطة أن يفهم البرنامج ما يبحث عنه.

من أجل سد هذه الفجوات وجعل الأتمتة المتقدمة حقيقة آمنة وموثوقة في عمليات البحث والتطوير المهمة في علوم الحياة - والأهم من ذلك، دون الحاجة إلى إشراف مستمر وشاق - يتم الآن تطبيق نماذج التعلم القائمة على التعلم، وبنوك البيانات الضخمة التي تشير إليها أدوات الذكاء الاصطناعي العام، وتقنيات معالجة اللغة الطبيعية المتقدمة مثل التوليد المعزز بالاسترجاع. 

وبعبارة أخرى، من خلال تمكين أنظمة إدارة التعلم من دمج البياناتdentمع المعلومات المتاحة للجمهور، فإن RAG تسهل ضبط نماذج الذكاء الاصطناعي من خلال تزويدها بقاعدة معرفية وسياق أكبر.

تحسين تجميع البيانات من خلال حلول LLM-RAG

لطالما شكّل عبء التدريب مشكلةً في حلول التعلّم الآلي. أما الآن، فيمكن لحل تقني واحد التعامل مع جميع أنواع البيانات الواردة بمساعدة نماذج التعلم الآلي، مما يُغني عن الحاجة إلى تعليم نماذج أو خوارزميات الذكاء الاصطناعي ما يجب البحث عنه أو ما يستلزمه كل شيء. 

عندما يتعلق الأمر بتوجيه طالب ماجستير في القانون خلال إجراءات التشغيل القياسية بلغة إنجليزية بسيطة، فإن أنماط RAG تُعدّ مفيدة للغاية. بهذه الطريقة، سيتمكن النظام من التعامل مع آلاف النماذج المختلفة دون الحاجة إلى إعدادات خاصة لكل نموذج.

لقد ثبت أن تطبيق تقنية LLM-RAG لتغيير مدخلات حالات الآثار الجانبية يمكن أن يؤدي إلى تحسين الكفاءة بنسبة تصل إلى 65%، وتحسين جودة ودقةtracالبيانات بنسبة تزيد عن 90% في التجارب الأولية. ولها تأثير محتمل مذهل. ويُظهر هذا النظام نفسه حاليًا اتساقًا بنسبة 80-85% في الملخصات التي يُنتجها لتطوير قصص دراسة السلامة. وذلك دون أي خبرة سابقة، بدءًا من الصفر.

في الواقع، يوفر ذلك الأساس لشركات الأدوية لتبسيط بعض عملياتها الأكثر صعوبة التي تعتمد على البيانات بشكل كبير. 

لقد تلاشت المخاوف بشأن الامتثال أو الموثوقية التي كانت تعيق في السابق اعتماد الأتمتة الأكثر ذكاءً، وحل محلها رغبةtronفي اعتماد إصدارات جديدة من التكنولوجيا التي تعالج هذه المشكلات بشكل مباشر وتوفر تحسينات قابلة للقياس في الإنتاجية والكفاءة.

"لتحقيق زخم للتغيير، ينبغي على المؤسسات إنشاء فرق من رواد التبني المبكر لتشكيل نشر حالات استخدام الذكاء الاصطناعي للأجيال وإثبات قيمتها." ماكينزي.