Hasta ahora, la lógica empresarial se ha visto socavada por la gran cantidad de mano de obra necesaria para validar y hacer que los sistemas de automatización inteligentes alcancen su plena funcionalidad para fines de I+D en ciencias biológicas, como la transformación de los informes de eventos adversos (EA).
Estos obstáculos ahora se están eliminando y el cumplimiento se está fortaleciendo mediante los LLM (grandes modelos de lenguaje) que impulsan la inteligencia artificial generativa.
Las empresas farmacéuticas pueden tener una oportunidad única en un siglo con esta tecnología de inteligencia artificial, pero solo si pueden ampliarla y abordar las dificultades particulares que enfrenta el sector.
¿Qué se puede hacer posible?
El aprendizaje automático y los grandes modelos de lenguaje han hecho posible búsquedas rápidas de nuevos medicamentos, junto con estudios clínicos más efectivos y autorizaciones más rápidas por parte de los reguladores, lo que produce material de marketing extremadamente enfocado.
Casi todos los aspectos del sector farmacéutico están cambiando debido a la IA generativa, que también está cambiando las normas de las operaciones comerciales y posiblemente liberando miles de millones de dólares en valor.
Según estimaciones del McKinsey Global Institute (MGI), la tecnología podría generar entre 60.000 y 110.000 millones de dólares anuales para las industrias farmacéutica y de productos médicos.
Esto se debe principalmente a que la tecnología puede aumentar la productividad al acelerar el proceso de encontrar compuestos que podrían ser nuevos medicamentos, acelerar el desarrollo y la aprobación de esos medicamentos y mejorar su comercialización.
La posibilidad radica en utilizar el aprendizaje “en contexto”, la extrapolación narrativa y el descubrimiento espontáneo de datos de una manera que los reguladores puedan entender. Los especialistas en inteligencia artificial de ArisGlobal, Ramesh Ramani y Ravikanth Valigari, discutieron posibles aplicaciones en un fabricante farmacéutico.
IA para una transformación eficiente de los datos en la seguridad de los medicamentos
Cuando hay grandes cantidades de datos en diversos formatos y provienen de muchas fuentes, como en el caso del monitoreo de la seguridad, por ejemplo, se necesita mucho trabajo administrativo para recopilar cualquier descubrimiento notable y hacerlo útil.
Aquí es donde existe un potencial significativo para la transformación de procesos que ofrecen los desarrollos más recientes en aprendizaje automático e inteligencia artificial. No sólo en términos de eficiencia sino también de una precisión notablemente mayor, siempre que el software comprenda lo que está buscando.
Para cerrar estas brechas y hacer de la automatización avanzada una realidad segura y confiable en importantes procesos de I+D en ciencias biológicas (y, lo que es más importante, sin requerir una supervisión constante y laboriosa), los LLM, los vastos bancos de datos a los que hacen referencia las herramientas GenAI, y el procesamiento avanzado del lenguaje natural ( Actualmente se están aplicando técnicas de PNL) como la generación aumentada de recuperación (RAG).
En pocas palabras, al permitir que los LLM combinen datosdentcon información accesible al público, RAG facilita el ajuste de los modelos de IA proporcionándoles una base de conocimientos y un contexto más amplios.
Mejora de la recopilación de datos a través de soluciones LLM-RAG
La carga de capacitación ha sido el problema con las soluciones de ML hasta ahora. Pero ahora, una única solución tecnológica puede manejar todas las variantes entrantes con la ayuda de los LLM, lo que elimina la necesidad de enseñar a los modelos o algoritmos de IA qué buscar y/o qué implica algo.
Cuando se trata de guiar a un LLM a través de un procedimiento operativo estándar en inglés sencillo, los patrones RAG pueden resultar muy útiles. De esta manera, el sistema podrá manejar miles de formularios diferentes sin requerir configuraciones únicas para cada uno.
Se ha demostrado que la aplicación de la tecnología LLM-RAG para cambiar la entrada de casos de AE puede generar ganancias de eficiencia de hasta un 65 % y más de un 90 % en calidad y precisióntracde datos en las primeras pruebas. Tiene un impacto potencial sorprendente. Este mismo sistema muestra actualmente entre un 80% y un 85% de coherencia en los resúmenes que genera para el desarrollo de historias de casos de seguridad. Y eso sin ninguna exposición previa, empezando desde cero.
De hecho, proporciona la base para que las empresas farmacéuticas simplifiquen significativamente algunas de sus operaciones basadas en datos más difíciles.
Los temores sobre el cumplimiento o la confiabilidad que anteriormente obstaculizaban la adopción de una automatización más inteligente han dado paso a untrondeseo de adoptar nuevas versiones de la tecnología que aborden directamente estos problemas y proporcionen mejoras mensurables en productividad y eficiencia.
“Para generar impulso para el cambio, las organizaciones deben crear equipos de defensores pioneros para dar forma al despliegue de casos de uso de IA generacionales y demostrar su valor”. McKinsey .
Tus noticias de criptografía merecen atención: Key Difference Wire te pone en más de 250 sitios superiores
