Какое влияние окажет ИИ на безопасность лекарственных препаратов и нормативно-правовую практику?

До настоящего времени экономическая целесообразность таких систем подрывалась огромным объемом работы, необходимой для проверки и доведения интеллектуальных систем автоматизации до полной функциональности в целях исследований и разработок в области медико-биологических наук, например, для преобразования системы отчетности о нежелательных явлениях. 

Эти препятствия сейчас устраняются, а соответствие требованиям усиливается за счет больших языковых моделей (LLM), которые лежат в основе генеративного искусственного интеллекта.

У фармацевтических компаний может появиться уникальный шанс, выпадающий раз в столетие, благодаря этой технологии искусственного интеллекта — но только если они смогут масштабировать ее и справиться с особыми трудностями, с которыми сталкивается этот сектор.

Что может стать возможным?

Машинное обучение и большие языковые модели сделали возможным быстрый поиск новых лекарств, а также более эффективные клинические исследования и ускоренное получение разрешений от регулирующих органов, что позволяет создавать чрезвычайно целенаправленные маркетинговые материалы. 

Практически все аспекты фармацевтической отрасли меняются благодаря генеративному искусственному интеллекту, который также меняет нормы ведения бизнеса и потенциально может принести миллиарды долларов прибыли.

По оценкам McKinsey Global Institute (MGI), эта технология может приносить фармацевтической и медицинской отраслям от 60 до 110 миллиардов долларов в год. 

В первую очередь это объясняется тем, что данная технология может повысить производительность за счет ускорения процесса поиска соединений, которые могут стать новыми лекарствами, ускорения разработки и утверждения этих лекарств, а также улучшения их маркетинга.

Возможность заключается в использовании обучения «в контексте», экстраполяции повествования и спонтанного поиска данных таким образом, чтобы это было понятно регулирующим органам. Специалисты по искусственному интеллекту из ArisGlobal, Рамеш Рамани и Равикант Валигари, обсудили потенциальные области применения в фармацевтической компании.

Искусственный интеллект для эффективной обработки данных в области безопасности лекарственных препаратов

Когда большие объемы данных представлены в различных форматах и ​​поступают из множества источников, как, например, в случае мониторинга безопасности, требуется много административной работы, чтобы собрать воедино все значимые данные и сделать их полезными. 

Именно здесь кроется значительный потенциал для трансформации процессов, открываемый новейшими достижениями в области машинного обучения и искусственного интеллекта. Это касается не только эффективности, но и значительного повышения точности — при условии, что программа понимает, что она ищет.

Для устранения этих пробелов и обеспечения безопасной и надежной работы передовой автоматизации в важных процессах исследований и разработок в области биологических наук — и, что немаловажно, без необходимости постоянного и трудоемкого контроля — в настоящее время применяются LLM-ы, обширные базы данных, на которые ссылаются инструменты GenAI, и передовые методы обработки естественного языка (NLP), такие как генерация с расширением поиска (RAG). 

Проще говоря, предоставляя возможность магистрам прикладного менеджмента объединятьdentданные с общедоступной информацией, RAG упрощает тонкую настройку моделей ИИ, предоставляя им более обширную базу знаний и контекст.

Улучшение процесса сбора данных с помощью решений LLM-RAG

До сих пор проблемой решений в области машинного обучения была сложность обучения. Но теперь единое технологическое решение может обрабатывать все варианты входящих данных с помощью LLM, что устраняет необходимость обучать модели или алгоритмы ИИ тому, на что следует обращать внимание и/или что означает то или иное. 

Когда речь идет о разъяснении стандартной операционной процедуры пользователю LLM простым языком, шаблоны RAG могут оказаться весьма полезными. Таким образом, система сможет обрабатывать тысячи различных форм, не требуя уникальных настроек для каждой из них.

Было продемонстрировано, что применение технологии LLM-RAG для изменения входных данных по случаям нежелательных явлений может привести к повышению эффективности до 65% и улучшению качества и точностиtracданных на 90% и более на ранних этапах испытаний. Это имеет потрясающий потенциал. В настоящее время эта же система демонстрирует 80–85% согласованности в генерируемых ею сводках для разработки историй безопасности. И это без какого-либо предыдущего опыта, начиная с нуля.

Это действительно создает основу для того, чтобы фармацевтические компании могли значительно упростить некоторые из своих наиболее сложных операций, основанных на данных. 

Опасения по поводу соответствия нормативным требованиям или надежности, которые ранее сдерживали внедрение более совершенных систем автоматизации, уступили местоtronжеланию внедрить новые версии технологий, которые напрямую решают эти проблемы и обеспечивают измеримое повышение производительности и эффективности.

«Для создания импульса к переменам организациям следует формировать команды из лидеров-первопроходцев, которые будут определять внедрение сценариев использования ИИ нового поколения и доказывать их ценность». — McKinsey.