Qual será o impacto da IA ​​na segurança de medicamentos e nas práticas regulatórias?

Até agora, a justificativa comercial tem sido prejudicada pela enorme quantidade de trabalho necessária para validar e implementar sistemas de automação inteligente em sua plena funcionalidade para fins de P&D em ciências da vida, como a transformação da notificação de eventos adversos (EA). 

Esses obstáculos estão sendo removidos e a conformidade está sendo reforçada pelos LLMs (grandes modelos de linguagem) que impulsionam a inteligência artificial generativa.

As empresas farmacêuticas podem ter uma oportunidade única em um século com essa tecnologia de IA — mas somente se conseguirem escalá-la e lidar com as dificuldades específicas enfrentadas pelo setor.

O que pode ser tornado possível?

O aprendizado de máquina e os grandes modelos de linguagem possibilitaram buscas rápidas por novos medicamentos, além de estudos clínicos mais eficazes e aprovações mais céleres por parte dos órgãos reguladores, o que resulta em material de marketing extremamente direcionado. 

Quase todos os aspectos do setor farmacêutico estão mudando devido à IA generativa, que também está alterando as normas das operações comerciais e possivelmente liberando bilhões de dólares em valor.

Segundo estimativas do McKinsey Global Institute (MGI), a tecnologia poderá gerar entre 60 e 110 bilhões de dólares anualmente para as indústrias farmacêutica e de produtos médicos. 

Isso se deve principalmente ao fato de a tecnologia poder aumentar a produtividade, acelerando o processo de descoberta de compostos que podem se tornar novos medicamentos, agilizando o desenvolvimento e a aprovação desses medicamentos e aprimorando sua comercialização.

A possibilidade reside no uso de aprendizado "em contexto", extrapolação narrativa e descoberta espontânea de dados de uma forma que os órgãos reguladores possam compreender. Os especialistas em IA da ArisGlobal, Ramesh Ramani e Ravikanth Valigari, discutiram possíveis aplicações em uma fabricante farmacêutica.

Inteligência artificial para transformação eficiente de dados na segurança de medicamentos

Quando grandes quantidades de dados estão presentes em vários formatos e provêm de muitas fontes, como no caso do monitoramento de segurança, por exemplo, é necessário muito trabalho administrativo para compilar quaisquer descobertas relevantes e torná-las úteis. 

É aqui que reside o significativo potencial de transformação de processos oferecido pelos mais recentes avanços em aprendizado de máquina e IA. Não apenas em termos de eficiência, mas também em um aumento notável da precisão — desde que o software entenda o que está procurando.

Para colmatar estas lacunas e tornar a automação avançada uma realidade segura e fiável em importantes processos de I&D nas ciências da vida — e, sobretudo, sem exigir uma supervisão constante e trabalhosa — estão agora a ser aplicadas as LLMs (Lower Learning Models), as vastas bases de dados a que as ferramentas GenAI recorrem, e técnicas avançadas de processamento de linguagem natural (PLN), como a geração aumentada por recuperação (RAG). 

Simplificando, ao permitir que os LLMs combinem dadosdentcom informações acessíveis ao público, o RAG facilita o ajuste fino dos modelos de IA, fornecendo-lhes uma base de conhecimento e contexto mais amplos.

Aprimorando a compilação de dados por meio de soluções LLM-RAG

O principal problema das soluções de aprendizado de máquina até agora tem sido a sobrecarga de treinamento. Mas agora, uma única solução tecnológica consegue lidar com todas as variantes de dados recebidos com a ajuda de Modelos de Aprendizado de Máquina (LLMs), o que elimina a necessidade de ensinar modelos ou algoritmos de IA o que procurar e/ou o que algo implica. 

Quando se trata de orientar um profissional de Direito (LLM) em um procedimento operacional padrão em linguagem simples, os padrões RAG podem ser bastante úteis. Dessa forma, o sistema poderá lidar com milhares de formulários diferentes sem exigir configurações exclusivas para cada um.

Foi demonstrado que a aplicação da tecnologia LLM-RAG para modificar a entrada de dados de eventos adversos pode resultar em ganhos de eficiência de até 65% e em uma qualidade e precisão detracde dados superior a 90% nos ensaios clínicos iniciais. Seu potencial de impacto é impressionante. Este mesmo sistema apresenta atualmente uma consistência de 80 a 85% nos resumos gerados para o desenvolvimento de relatos de segurança. E isso sem qualquer exposição prévia, partindo do zero.

De fato, isso fornece a base para que as empresas farmacêuticas simplifiquem significativamente algumas de suas operações mais complexas baseadas em dados. 

Os receios quanto à conformidade ou à confiabilidade, que antes impediam a adoção de uma automação mais inteligente, deram lugar a umtrondesejo de adotar novas versões da tecnologia que abordem diretamente essas questões e proporcionem melhorias mensuráveis ​​em produtividade e eficiência.

“Para impulsionar a mudança, as organizações devem criar equipes de pioneiros na adoção de novas tecnologias para moldar a implementação de casos de uso de IA de última geração e comprovar seu valor.” McKinsey.