Какое влияние окажет ИИ на безопасность лекарств и регуляторную практику?

До сих пор бизнес-обоснование подрывалось огромным объемом труда, необходимым для проверки и доведения систем интеллектуальной автоматизации до полной функциональности для целей исследований и разработок в области наук о жизни, таких как преобразование отчетности о нежелательных явлениях (AE). 

Эти препятствия теперь устраняются, а соответствие стандартам усиливается за счет LLM (больших языковых моделей), которые приводят к генеративному искусственному интеллекту.

Фармацевтические компании могут получить шанс раз в столетие с этой технологией ИИ – но только если они смогут масштабировать ее и справиться с особыми трудностями, с которыми сталкивается сектор.

Что может стать возможным?

Машинное обучение и большие языковые модели сделали возможными быстрые поиски новых лекарств, а также более эффективные клинические исследования и более быстрые разрешения от регуляторов, что производит крайне сфокусированный маркетинговый материал. 

Почти каждый аспект фармацевтического сектора меняется благодаря генеративному ИИ, который также меняет нормы бизнес-операций и, возможно, высвобождает миллиарды долларов стоимости.

Согласно оценкам Института глобальной экономики McKinsey (MGI), технология может приносить от 60 до 110 миллиардов долларов ежегодно для фармацевтической и медицинской промышленностей. 

Это в первую очередь потому, что технология может повысить производительность, ускорив процесс поиска соединений, которые могут стать новыми лекарствами, ускорив разработку и одобрение этих лекарств и улучшив их маркетинг.

Возможность заключается в использовании обучения «в контексте», нарративной экстраполяции и спонтанного обнаружения данных таким образом, который понятен регуляторам. Специалисты по ИИ в ArisGlobal, Рамеш Рамани и Равикант Валигари, обсудили потенциальные применения у производителя фармацевтических препаратов.

ИИ для эффективной трансформации данных в безопасности лекарств

Когда присутствует большое количество данных в различных форматах и из многих источников, как в случае мониторинга безопасности, например, требуется много административной работы, чтобы собрать любые значимые открытия и сделать их полезными. 

Здесь есть значительный потенциал для трансформации процессов, предлагаемый последними достижениями в машинном обучении и ИИ. Не только в плане эффективности, но и заметно повышенной точности – при условии, что программное обеспечение понимает, что оно ищет.

Чтобы закрыть эти пробелы и сделать передовую автоматизацию безопасной и надежной реальностью в важных процессах исследований и разработок в области наук о жизни – и, что важно, без необходимости постоянного, трудоемкого надзора – LLM, огромные банки данных, к которым обращаются инструменты GenAI, и передовые техники обработки естественного языка (NLP), такие как генерация с дополнением извлечения (RAG), теперь применяются. 

Проще говоря, благодаря RAG LLM могут объединять конфиденциальные данные с информацией, доступной общественности, что облегчает тонкую настройку моделей ИИ, предоставляя им большую базу знаний и контекст.

Улучшение компиляции данных через решения LLM-RAG

Бремя обучения было проблемой для решений ML до сих пор. Но теперь, одно технологическое решение может обрабатывать все варианты входящих данных с помощью LLM, что устраняет необходимость обучать модели ИИ или алгоритмы тому, на что обращать внимание и/или что что-то означает. 

Когда дело доходит до руководства LLM через стандартную операционную процедуру на простом английском языке, шаблоны RAG могут быть очень полезны. Таким образом, система сможет обрабатывать тысячи различных форм без необходимости уникальных настроек для каждой из них.

Было продемонстрировано, что применение технологии LLM-RAG для изменения ввода случаев AE может привести к повышению эффективности до 65% и качеству извлечения данных 90%+ и точности в ранних испытаниях. Это имеет потрясающий потенциальный эффект. Эта же самая система в настоящее время демонстрирует 80–85% согласованности в сводках, которые она генерирует для разработки историй случаев безопасности. И все это без какого-либо предыдущего опыта, начиная с нуля.

Это действительно обеспечивает основу для фармацевтических компаний значительно упростить некоторые из своих самых сложных операций, основанных на данных. 

Страхи перед соответствием стандартам или надежностью, которые ранее сдерживали внедрение более умной автоматизации, уступили место сильному желанию внедрить новые версии технологии, которые напрямую решают эти проблемы и обеспечивают измеримые улучшения в производительности и эффективности.

«Чтобы создать импульс для изменений, организации должны создать команды чемпионов ранних последователей, чтобы сформировать развертывание случаев использования генеративного ИИ и доказать их ценность.» , датированный апрелем этого года, подчеркнул, что центры обработки данных, предназначенные для задач ИИ, потребуют примерно.