Até agora, a lógica empresarial tem sido prejudicada pela enorme quantidade de trabalho necessária para validar e trazer sistemas de automação inteligentes para plena funcionalidade para fins de P&D em ciências da vida, como a transformação de relatórios de eventos adversos (EA).
Estes obstáculos estão agora a ser removidos e a conformidade está a ser reforçada pelos LLMs (grandes modelos de linguagem) que impulsionam a inteligência artificial generativa.
As empresas farmacêuticas poderão ter uma oportunidade única num século com esta tecnologia de IA, mas apenas se conseguirem escalá-la e lidar com as dificuldades específicas enfrentadas pelo sector.
O que pode ser possível?
A aprendizagem automática e os grandes modelos de linguagem tornaram possíveis pesquisas rápidas de novos medicamentos, juntamente com estudos clínicos mais eficazes e autorizações mais rápidas dos reguladores, o que produz materiais de marketing extremamente focados.
Quase todos os aspectos do sector farmacêutico estão a mudar devido à IA generativa, que também está a alterar as normas das operações comerciais e possivelmente a libertar milhares de milhões de dólares em valor.
De acordo com estimativas do McKinsey Global Institute (MGI), a tecnologia poderá gerar entre 60 mil milhões e 110 mil milhões de dólares anualmente para as indústrias farmacêuticas e de produtos médicos.
Isto ocorre principalmente porque a tecnologia pode aumentar a produtividade, acelerando o processo de descoberta de compostos que poderiam ser novos medicamentos, acelerando o desenvolvimento e aprovação desses medicamentos e melhorando a sua comercialização.
A possibilidade reside na utilização da aprendizagem “em contexto”, da extrapolação narrativa e da descoberta espontânea de dados de uma forma que os reguladores possam compreender. Os especialistas em IA da ArisGlobal, Ramesh Ramani e Ravikanth Valigari, discutiram aplicações potenciais em um fabricante farmacêutico.
IA para transformação eficiente de dados em 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 dignas de nota e torná-las úteis.
É aqui que existe um potencial significativo para a transformação de processos oferecido pelos desenvolvimentos mais recentes em aprendizagem automática e IA. Não apenas em termos de eficiência, mas também de maior precisão, desde que o software entenda o que está procurando.
Para preencher essas lacunas e tornar a automação avançada uma realidade segura e confiável em importantes processos de P&D em ciências da vida - e, mais importante, sem exigir supervisão constante e trabalhosa - os LLMs, os vastos bancos de dados aos quais as ferramentas GenAI se referem, e o processamento avançado de linguagem natural ( Técnicas de PNL), como geração aumentada de recuperação (RAG), estão sendo aplicadas agora.
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 maior base de conhecimento e contexto.
Melhorando a compilação de dados por meio de soluções LLM-RAG
A carga de treinamento tem sido o problema das 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 aos modelos ou algoritmos de IA o que procurar e/ou o que algo implica.
Quando se trata de orientar um LLM através de um procedimento operacional padrão em inglês 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 alterar a entrada de casos de EA pode resultar em ganhos de eficiência de até 65% e 90%+ na qualidade e precisão datracde dados em testes iniciais. Tem um impacto potencial incrível. Este mesmo sistema exibe atualmente 80-85% de consistência nos resumos que gera para o desenvolvimento de histórias de casos de segurança. E isso sem qualquer exposição anterior, começando do zero.
Na verdade, fornece a base para as empresas farmacêuticas simplificarem significativamente algumas das suas operações mais difíceis baseadas em dados.
Os receios sobre a conformidade ou a fiabilidade que anteriormente impediam a adopção de uma automação mais inteligente deram lugar a umtrondesejo de adoptar novas versões da tecnologia que abordassem directamente estas questões e proporcionassem melhorias mensuráveis na produtividade e na eficiência.
“Para criar impulso para a mudança, as organizações devem criar equipes de defensores pioneiros para moldar a implantação de casos de uso geracionais de IA e provar seu valor.” McKinsey .
Principais diferenças : os projetos de criptografia de ferramenta secreta usam para obter cobertura de mídia garantida
