Quale impatto avrà l'intelligenza artificiale sulla sicurezza dei farmaci e sulle pratiche normative?

Finora, la logica aziendale è stata compromessa dall'enorme quantità di lavoro necessaria per convalidare e portare i sistemi di automazione intelligenti alla piena funzionalità per scopi di ricerca e sviluppo nel campo delle scienze della vita, come la trasformazione della segnalazione di eventi avversi (AE). 

Questi ostacoli vengono ora rimossi e la conformità viene rafforzata dagli LLM (grandi modelli linguistici) che guidano l'intelligenza artificiale generativa.

Le aziende farmaceutiche potrebbero avere un'opportunità unica nel secolo grazie a questa tecnologia di intelligenza artificiale, ma solo se riusciranno a espanderla e a gestire le particolari difficoltà che il settore si trova ad affrontare.

Cosa si può rendere possibile?

L'apprendimento automatico e i modelli linguistici di grandi dimensioni hanno reso possibili ricerche rapide di nuovi farmaci, oltre a studi clinici più efficaci e autorizzazioni più rapide da parte degli enti regolatori, il che produce materiale di marketing estremamente mirato. 

Quasi ogni aspetto del settore farmaceutico sta cambiando a causa dell'intelligenza artificiale generativa, che sta modificando anche le norme delle operazioni aziendali e potenzialmente liberando miliardi di dollari di valore.

Secondo le stime del McKinsey Global Institute (MGI), la tecnologia potrebbe generare un guadagno annuo compreso tra 60 e 110 miliardi di dollari per l'industria farmaceutica e dei prodotti medicali. 

Ciò avviene principalmente perché la tecnologia può aumentare la produttività accelerando il processo di ricerca di composti che potrebbero trasformarsi in nuovi farmaci, velocizzando lo sviluppo e l'approvazione di tali farmaci e migliorandone la commercializzazione.

La possibilità risiede nell'utilizzo dell'apprendimento "contestualizzato", dell'estrapolazione narrativa e della scoperta spontanea di dati in un modo comprensibile per gli enti regolatori. Gli specialisti di intelligenza artificiale di ArisGlobal, Ramesh Ramani e Ravikanth Valigari, hanno discusso delle potenziali applicazioni presso un'azienda farmaceutica.

Intelligenza artificiale per una trasformazione efficiente dei dati nella sicurezza dei farmaci

Quando grandi quantità di dati sono presenti in vari formati e provengono da numerose fonti, come nel caso del monitoraggio della sicurezza, ad esempio, è necessario molto lavoro amministrativo per raccogliere tutte le scoperte degne di nota e renderle utili. 

È qui che si nasconde un potenziale significativo per la trasformazione dei processi offerto dai più recenti sviluppi nell'apprendimento automatico e nell'intelligenza artificiale. Non solo in termini di efficienza, ma anche di precisione notevolmente aumentata, a condizione che il software comprenda cosa sta cercando.

Per colmare queste lacune e rendere l'automazione avanzata una realtà sicura e affidabile nei processi di ricerca e sviluppo importanti nel campo delle scienze biologiche, e soprattutto senza richiedere una supervisione costante e laboriosa, ora vengono applicati gli LLM, le vaste banche dati a cui fanno riferimento gli strumenti GenAI e le tecniche avanzate di elaborazione del linguaggio naturale (NLP) come la generazione aumentata dal recupero (RAG). 

In parole povere, consentendo agli LLM di combinare datidentcon informazioni accessibili al pubblico, RAG semplifica la messa a punto dei modelli di intelligenza artificiale, fornendo loro una base di conoscenza e un contesto più ampi.

Migliorare la compilazione dei dati attraverso le soluzioni LLM-RAG

Finora, il problema principale delle soluzioni di ML è stato l'onere della formazione. Ora, però, un'unica soluzione tecnologica può gestire tutte le varianti di apprendimento in entrata con l'ausilio di LLM, eliminando la necessità di insegnare ai modelli o agli algoritmi di intelligenza artificiale cosa cercare e/o cosa implica qualcosa. 

Quando si tratta di guidare un LLM attraverso una procedura operativa standard in un linguaggio semplice, i modelli RAG possono rivelarsi molto utili. In questo modo, il sistema sarà in grado di gestire migliaia di moduli diversi senza richiedere impostazioni specifiche per ciascuno di essi.

È stato dimostrato che l'applicazione della tecnologia LLM-RAG per modificare l'input dei casi AE può comportare guadagni di efficienza fino al 65% e di qualità e accuratezzatracdei dati superiori al 90% nelle prime sperimentazioni. Ha un impatto potenziale sorprendente. Questo stesso sistema mostra attualmente una coerenza dell'80-85% nei riepiloghi generati per lo sviluppo di casi di studio sulla sicurezza. E questo senza alcuna esperienza pregressa, partendo da zero.

In effetti, fornisce alle aziende farmaceutiche le basi per semplificare significativamente alcune delle loro operazioni più complesse basate sui dati. 

I timori sulla conformità o sull'affidabilità che in precedenza frenavano l'adozione di un'automazione più intelligente hanno lasciato il posto a untrondesiderio di adottare nuove versioni della tecnologia che affrontino direttamente questi problemi e forniscano miglioramenti misurabili in termini di produttività ed efficienza.

"Per dare slancio al cambiamento, le organizzazioni dovrebbero creare team di pionieri che adottino le nuove tecnologie per plasmare l'implementazione dei casi d'uso dell'IA di nuova generazione e dimostrarne il valore." McKinsey.