Quale impatto avrà l'AI sulla sicurezza dei farmaci e sulle pratiche regolatorie?

Fino ad ora, la logica aziendale è stata minata dalla quantità sheer di lavoro necessario per convalidare e portare i sistemi di automazione intelligente a piena funzionalità per gli scopi di R&D nelle scienze della vita, come la trasformazione della segnalazione degli eventi avversi (AE). 

Questi ostacoli stanno ora venendo rimossi, e la conformità viene rafforzata dai LLM (modelli di linguaggio di grandi dimensioni) che guidano l'intelligenza artificiale generativa.

Le aziende farmaceutiche potrebbero avere un'opportunità una volta ogni secolo con questa tecnologia AI – ma solo se possono scalare e affrontare le difficoltà particolari affrontate dal settore.

Cosa può essere reso possibile?

L'apprendimento automatico e i modelli di linguaggio di grandi dimensioni hanno reso possibili ricerche rapide di nuovi farmaci, insieme a studi clinici più efficaci e approvazioni più rapide da parte dei regolatori, che producono materiale di marketing estremamente mirato. 

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

Secondo le stime del McKinsey Global Institute (MGI), la tecnologia potrebbe generare tra 60 miliardi e 110 miliardi di dollari annualmente per le industrie farmaceutica e dei prodotti medici. 

Questo è principalmente perché la tecnologia può aumentare la produttività accelerando il processo di individuazione di composti che potrebbero essere nuovi farmaci, accelerando lo sviluppo e l'approvazione di quei farmaci e migliorando il loro marketing.

La possibilità risiede nell'uso dell'apprendimento "in context", dell'estrapolazione narrativa e della scoperta spontanea dei dati in un modo che i regolatori possono comprendere. Gli specialisti AI di ArisGlobal, Ramesh Ramani e Ravikanth Valigari, hanno discusso le potenziali applicazioni presso un produttore farmaceutico.

AI per una trasformazione efficiente dei dati nella sicurezza dei farmaci

Quando sono presenti grandi quantità di dati in vari formati e provengono da molte fonti, come nel caso del monitoraggio della sicurezza, ad esempio, ci vuole molto lavoro amministrativo per compilare qualsiasi scoperta degna di nota e renderla utile. 

È qui che c'è un potenziale significativo per la trasformazione dei processi offerto dagli sviluppi più recenti nell'apprendimento automatico e nell'AI. Non solo in termini di efficienza, ma anche un aumento marcato dell'accuratezza – purché il software capisca cosa sta cercando.

Per colmare queste lacune e rendere l'automazione avanzata una realtà sicura e affidabile nei processi di R&D delle scienze della vita importanti – e soprattutto, senza richiedere una supervisione costante e laboriosa – i LLM, le vaste banche dati a cui si riferiscono gli strumenti GenAI e le tecniche avanzate di elaborazione del linguaggio naturale (NLP) come la generazione aumentata per recupero (RAG) stanno ora essendo applicate. 

Per dirla semplicemente, consentendo ai LLM di combinare dati confidenziali con informazioni accessibili al pubblico, il RAG facilita il perfezionamento dei modelli AI fornendo loro una base di conoscenza e un contesto più ampi.

Miglioramento della compilazione dei dati attraverso soluzioni LLM-RAG

Il carico di addestramento è stato il problema con le soluzioni ML finora. Ma ora, una singola soluzione tecnologica può gestire tutte le varianti in arrivo con l'aiuto dei LLM, il che elimina la necessità di insegnare ai modelli AI o agli algoritmi cosa cercare e/o cosa implica qualcosa. 

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

È stato dimostrato che l'applicazione della tecnologia LLM-RAG per modificare l'input dei casi AE può risultare in guadagni di efficienza fino al 65% e una qualità e accuratezza di estrazione dei dati del 90%+ nei primi test. Ha un impatto potenziale incredibile. Questo stesso sistema sta attualmente mostrando una coerenza dell'80-85% nei riassunti che genera per lo sviluppo delle storie dei casi di sicurezza. E questo senza alcuna esposizione precedente, partendo da zero.

Fornisce effettivamente le basi per le aziende farmaceutiche per semplificare significativamente alcune delle loro operazioni più difficili basate sui dati. 

Le preoccupazioni relative alla conformità o all'affidabilità che in precedenza avevano frenato l'adozione di un'automazione più intelligente hanno lasciato spazio a un forte desiderio di adottare nuove versioni della tecnologia in grado di affrontare direttamente questi problemi e fornire miglioramenti misurabili in termini di produttività ed efficienza.

"Per creare slancio al cambiamento, le organizzazioni dovrebbero creare team di campioni early-adopter per modellare il deployment di casi d'uso di IA generativa di nuova generazione e dimostrarne il valore." McKinsey.