Que impacto a IA terá na Segurança de Medicamentos e Práticas Regulatórias?

Até agora, a justificativa comercial foi minada pela enorme quantidade de trabalho necessária para validar e trazer sistemas de automação inteligente para a plena funcionalidade com propósitos de P&D em ciências da vida, como a transformação do relatório de eventos adversos (AE). 

Esses obstáculos estão sendo removidos agora, e a conformidade está sendo fortalecida pelos LLMs (modelos de linguagem grande) que impulsionam a inteligência artificial generativa.

As empresas farmacêuticas podem ter uma oportunidade única em um século com esta tecnologia de IA – mas apenas se puderem escalá-la e lidar com as dificuldades particulares enfrentadas pelo setor.

O que pode ser possível?

O aprendizado de máquina e os modelos de linguagem grande tornaram possíveis buscas rápidas por novos medicamentos, juntamente com estudos clínicos mais eficazes e aprovações mais rápidas dos reguladores, o que produz material de marketing extremamente focado. 

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

De acordo com estimativas do Instituto Global McKinsey (MGI), a tecnologia poderia gerar entre US$ 60 bilhões e US$ 110 bilhões anualmente para as indústrias farmacêutica e de produtos médicos. 

Isso ocorre principalmente porque a tecnologia pode aumentar a produtividade acelerando o processo de descoberta de compostos que poderiam ser novos medicamentos, agilizando o desenvolvimento e a aprovação desses medicamentos e melhorando seu marketing.

A possibilidade reside no uso de aprendizado “no contexto”, extrapolação narrativa e descoberta espontânea de dados de uma forma que os reguladores possam entender. Especialistas em IA da ArisGlobal, Ramesh Ramani e Ravikanth Valigari, discutiram aplicações potenciais em um fabricante farmacêutico.

IA para transformação eficiente de dados na segurança de medicamentos

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

É aqui que há um potencial significativo para a transformação de processos oferecido pelos desenvolvimentos mais recentes em aprendizado de máquina e IA. Não apenas em termos de eficiência, mas também com um aumento marcante na precisão – desde que o software entenda o que está procurando.

Para fechar essas lacunas e tornar a automação avançada uma realidade segura e confiável em processos importantes de P&D em ciências da vida – e, o que é importante, sem exigir supervisão constante e trabalhosa – os LLMs, os vastos bancos de dados aos quais as ferramentas GenAI se referem, e técnicas avançadas de processamento de linguagem natural (NLP) como a geração aumentada por recuperação (RAG) estão sendo aplicados agora. 

Para simplificar, ao permitir que os LLMs combinem dados confidenciais com informações acessíveis ao público, o RAG facilita o ajuste fino dos modelos de IA, fornecendo-lhes uma base de conhecimento e contexto maiores.

Melhorando a compilação de dados através de soluções LLM-RAG

O ônus do treinamento tem sido o problema com as soluções de ML até agora. Mas agora, uma única solução tecnológica pode lidar com todas as variantes de entrada com a ajuda de LLMs, o que elimina a necessidade de ensinar modelos de IA ou algoritmos o que procurar e/ou o que algo implica. 

Quando se trata de guiar um LLM por um procedimento operacional padrão em inglês simples, os padrões RAG podem ser muito úteis. Dessa forma, o sistema será capaz de lidar com milhares de formulários diferentes sem exigir configurações únicas para cada um.

Foi demonstrado que a aplicação da tecnologia LLM-RAG para alterar a entrada de casos de AE pode resultar em ganhos de eficiência de até 65% e qualidade e precisão de extração de dados de 90%+ em testes iniciais. Tem um impacto potencial incrível. Este mesmo sistema está atualmente exibindo consistência de 80–85% nos resumos que gera para o desenvolvimento de histórias de casos de segurança. E isso é sem nenhuma exposição anterior, começando do zero.

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

Os medos sobre conformidade ou confiabilidade que anteriormente retardavam a adoção de automação mais inteligente deram lugar a um forte desejo de adotar novas versões da tecnologia que abordam diretamente esses problemas e fornecem melhorias mensuráveis em produtividade e eficiência.

“Para criar impulso para a mudança, as organizações devem criar equipes de campeões early-adopters para moldar a implantação de casos de uso de IA generacional e provar seu valor.” McKinsey.