Matt Michelson, præsident for Genesis AI hos Genesis Research – Interviewserie

Matt Michelson er præsident for Genesis AI hos Genesis Research, en international HEOR- og Real-World Evidence-forskningsorganisation med kontorer i USA og Storbritannien, der støtter life sciences-industrien.

En etableret leder inden for bevisstrategi, udvikling og kommunikation støtter de kunder med databaseanalyser, strategisk og taktisk sundhedsøkonomi og resultater, litteraturgennemgang, økonomisk modellering, videnskabelige publikationer og markedadgangsstrategi.

Som eksperter i udviklingen af innovative teknologiske løsninger tilbyder de en række tilpassede platforme, dashboards, dataporte og en unik kunstig intelligens-teknologi-assisteret gennemgangsplatform EVID AI, der støtter identifikation, overvågning og udtrækning af præcist målrettede beviser.

Kan du dele historien bag Genesis Research?

I 2009, efter tid i akademiet og med en dyb kvantitativ baggrund, kombinerede vores CEO Frank Corvino og hans forretningspartner, en kliniker og sundhedsøkonom, deres ekspertise for at udvikle en ny forretningsmodel, der støttede life sciences-virksomheder med en mere data-dreven tilgang til at hente indsigt fra big data på en konsekvent transparent, reproducerbar og højtydende måde.

Genesis Research blev initialt bygget på en forpligtelse til at tænke uden for boksen for at levere værdidemonstration støttet af Real-World Evidence (RWE). Siden da er virksomhedens tjenester udvidet til at omfatte markedadgangskapaciteter og strategi, sundhedsøkonomi og resultater, videnskabelig kommunikation og avancerede digitale kapaciteter som den passende brug af kunstig intelligens (AI).

Virksomheden udviklede sig til den førende internationale RWE- og HEOR-organisation, vi er i dag, fordi vi lytter til vores kunder og derefter bruger et diversificeret, højt kvalificeret team til at imødekomme deres skiftende behov på enhver stage af produktets livscyklus, ved at anvende en fleksibel “forbedret partnerskabsmodel”, der tillader os at fungere som en udvidelse af en klients team.

Er der en masse artikler, der offentliggøres hvert år. Kan du diskutere, hvor hurtigt offentliggørelsesraten accelererer?

Det er svært at fastslå præcist, men estimater varierer fra 4 til 10% stigning hvert år, med 1-2 millioner artikler, der offentliggøres i sundhedssektoren hvert år. Det er et enormt antal, især hvis man estimerer, at det tager en person fem minutter at læse en abstract. PubMed selv (den offentlige version af Medline-søgemaskinen for sundhedsvidenskabelige artikler) har en samling på mere end 30 millioner artikler.

Hvorfor fungerer traditionelle metoder til gennemgang af artikler ikke længere?

Disse opgaver kan reduceres til processen med at finde beviser, især artikler, der besvarer dine videnskabelige spørgsmål. Og det er ikke, fordi manuelt arbejde ikke kan gøre dette. Snarere, fordi processen er så møjsommelig, betyder det, at opgaven ikke er så fleksibel. Ingen ønsker at gå igennem besværet med at gøre det hele igen, hvis noget ændrer sig, og man kan ikke søge så mange kilder, som man måske ønsker, på grund af den enorme tidsinvestering. Og mennesker vil nogen gange overse artikler, da det er svært at koncentrere sig efter at have læst få hundred artikler. I modsætning hertil bliver en trænet maskine aldrig træt, og effektivitetsgevinsterne betyder, at AI-baserede tilgange er mere fleksible, da man kan køre den næste søgning, og man kan gøre så mange, som man har brug for.

Hvad er EVID AI, og hvordan simplificerer det processen for medicinske forskere til at identificere og gennemgå enorme mængder af forskning?

EVID AI er den eneste medicinske litteraturdatabase, der bruger maskinel læring til at producere mere end 80 millioner data punkter – fra prækliniske, kliniske, økonomiske, epidemiologiske, patient-rapporterede resultater og fokusområder – og tillader brugerne at filtrere søgeresultater til de mest relevante, aktuelle oplysninger, der er nødvendige for yderligere analyse. Det er den eneste platform med kapaciteten til at omdanne data, der er indlejret i multiple artikler, til strukturerede tabeller, der præsenterer relevante, anmodede datapunkter i en klar format. Denne patenterede tilgang destillerer beviser til brugbare data, så forskere kan mere let udvikle grafer og dashboards til at dele med interessenter uden at skulle læse en stor mængde artikler.

Genesis Research har nylig gjort forbedringer til EVID AI – der nu er verdens største aktuelle medicinske litteraturforskningsplatform – der hjælper pharma-teams og andre sundhedsbeslutningstager med at finde højkvalitets-, målrettede resultater hurtigere, mere effektivt og fra en udenforliggende bredde af kilder.

Med EVID AI kan medicinske litteratursøgetasks nu udføres 59 gange hurtigere end manuelle bestræbelser, med betydeligt mere relevante beviser per søgning og 15 gange færre irrelevante artikler. Den patenterede maskinlæringsformat, programmeret gennem eksponering for titusinder af træningsdata punkter, er hurtigere og mere omfattende end nogensinde og vil reducere forskningstiden fra måneder til uger eller dage.

En af fordelene ved EVID AI er, at det tillader forskere og reguleringsmyndigheder at spore AI-data tilbage til deres kilde. Hvorfor er dette vigtigt, og hvordan fungerer det?

En nøgleproblematik med mange AI-systemer er, at de er uigennemsigtige – nogen gange kaldet “sorte kasser”. Og dette er sandt i den forstand, at vi ikke altid forstår, hvorfor AI gør, hvad den gør. For eksempel, hvis den tager en artikel og bryder ud alle resultaterne fra teksten, kan den ikke nødvendigvis fortælle os, hvorfor den valgte disse sætninger og resultater, den kan kun vise dem til os. Imidlertid har vi lagt vægt på at være transparent og på at give data-proveniens (f.eks. vise os, hvor det kommer fra), så brugerne altid kan spore et resultat tilbage til den sætning, det kommer fra, artiklen, der indeholder den sætning, og derefter den originale placering af artiklen. På den måde er der altid en mekanisme til at spore resultater tilbage til deres kilde. Ud over at give bedre videnskab er dette vigtigt for reguleringsmyndigheder, da hvis et pharma-firma gør et krav baseret på beviser fra vores AI, kan reguleringsmyndigheden verificere, at data er korrekt og kilden er gyldig.

Kan du dele et brugstilfælde eller en case-study af forskere, der bruger EVID AI?

Absolut. Der er mange at vælge imellem, men her er to, der er nyttige, da de viser, hvordan værktøjet kan bruges til både større, budgetterede projekter og daglige, ad-hoc-opgaver. I det første tilfælde havde vi et pharma-firma, der engagerede et team til at gøre en litteraturgennemgangsopdatering for onkologi. Dette er en stor opgave, fordi det specifikke felt i onkologi er stort, litteraturen ændrer sig hurtigt, og projektets omfang er stort. Den oprindelige gennemgang omfattede en analyse af landskabet (f.eks. alle de vigtigste lægemidler) og deres resultater i forhold til, hvor effektive de er, hvor sikre de er, og de økonomiske impakter. Det omfattede ikke kun kliniske forsøgsrapporter, men også artikler om observationsstudier, hvor videnskabsmænd sporer lægemidlets præstation i den “reelle verden” i stedet for kun i et kontrolleret, forsøgs-miljø.

EVID AI hjalp dette firma med at samle alle nye og opdaterede resultater for denne litteratur-opgave, med enorme besparelser. I modsætning hertil havde vi et eksempel, hvor en videnskabsmand havde bygget en økonomisk model af omkostningerne forbundet med at skifte mellem forskellige psykiatriske lægemidler kaldet “budget-impakt-modeller”. Udfordringen består i at trække gode estimer af, hvor ofte sådanne patienter skifter lægemidler. Da videnskabsmanden oprindeligt byggede modellen, brugte han en hel dag på at scannen artikler for at finde det resultat, han ønskede. Med EVID AI fandt han det på få minutter.

Hvad er din syn på fremtiden for mennesker og AI, der samarbejder i medicinsk forskning?

Da medicinsk forskning bliver mere og mere komfortabel med AI, vil det permeere områder fra lægemiddelforskning til klinisk forsøgsrekruttering til data-analyse og refusion. Hvert aspekt af udviklingen af nye terapier vil blive beriget med AI, og resultaterne vil blive indlejret i arbejdsgangen. I stedet for at afhænge af separate værktøjer, der kræver kontekst-skift fra en bench-videnskabelig opgave til en AI-opgave, vil det blive så intuitivt som at bruge GPS til at komme til en ny restaurant. Der vil ikke engang være en anden tanke. Imidlertid, især i pharma-industrien, vil vi stadig have brug for højt erfarne mennesker, som teamet hos Genesis Research, til at bestemme relevansen af data og initiere yderligere analyse til at hjælpe med beslutningstagningen.

Er der noget andet, du gerne vil dele om Genesis Research?

Genesis Research’s hurtige vækst skyldes dens evne til at tage på sig nye udfordringer, stille de rette spørgsmål, samle det rette team til at få adgang til og analysere de rette data og levere løsninger, der fremmer life sciences-initiativer. En innovator i udviklingen af RWE-baserede løsninger er virksomheden fuldstændig data-agnostisk og arbejder tæt med kunder til at identificere optimale datakilder. Vi er stolte af at være en etableret leder inden for bevisstrategi, udvikling og kommunikation samt eksperter i udviklingen af innovative teknologiske løsninger. Vi er en innovator i udviklingen af RWE-baserede løsninger, og virksomheden er fuldstændig data-agnostisk og arbejder tæt med kunder til at identificere optimale datakilder. Vi er stolte af at være en etableret leder i bevisstrategi, udvikling og kommunikation samt eksperter i udviklingen af innovative teknologiske løsninger.