For at forvandle sundheds- og livsvidenskabssektoren, skal AI være troværdig

Kunstig intelligens (AI) er hurtigt blevet en integreret del af sundheds- og livsvidenskabsorganisationer. Alligevel bruger de fleste organisationer det i små lommer snarere end at skala det op for at forbedre præstationen på tværs af virksomheden. Blandt udfordringerne er, at AI i disse brancher skal opfylde de højeste standarder for kvalitet, privatliv og pålidelighed, og det skal være troværdigt.

Store sprogmodeller (LLM)-baserede AI-værktøjer er kraftfulde, men de fleste LLM’er er ikke designet til at møde kravene i sundheds- og livsvidenskabsoperationer. De kan producere inkonsistente output, og deres præstation kan variere, når information og kontekst ændrer sig. Generel AI, især, er trænet på bred, offentlig data – med begrænset medicinsk kuratering – og ikke bygget til at opfylde medicinske, videnskabelige eller regulatoriske krav.

Disse problemer er uacceptable i operationer, hvor beslutninger har ikke kun finansielle, men også kliniske, videnskabelige, juridiske og ultimativt menneskelige konsekvenser.

Bundlinjen er: En højere standard for AI er nødvendig.

Hvis sundheds- og livsvidenskabsorganisationer ønsker at bruge AI til at forvandle deres kommercielle og regulerede operationer, har de brug for AI, der er troværdigt.

Hvad der er nødvendigt for at skabe troværdig AI

Troværdig AI producerer pålidelige resultater, præsterer konsekvent, når data ændrer sig, og er compliant og forsvarlig.

At opnå dette kræver både videnskabelig og teknisk ekspertise samt en rigorøs tilgang, der tager hensyn til alle aspekter af ansvarlig AI-design, brug og overvågning. Hvad ser dette ud i praksis?

Det første skridt er at forstå slutmålet: Hvad er slutbrugerkravet, som AI-løsningen skal imødekomme, og hvad ser succes ud som? Dette indebærer at forstå rollerne for dem, der skal bruge AI-løsningen, deres behov og arbejdsgange, samt enten de kommercielle mål, de ønsker at opnå, eller de regulatoriske krav, de skal overholde.

Disse detaljer vil hjælpe med at informere nøgletekniske beslutninger, såsom valg af passende modeller til AI-løsningen, design af valideringsrammer og fastlæggelse af målene, som løsningen vil blive målt imod.

Troværdige systemer tager også hensyn til eksperten i løkken lige fra begyndelsen af designprocessen, ikke som en eftertanke. Dette indebærer at bruge menneskelige eksperter – herunder kliniske, videnskabelige, regulatoriske og kommercielle eksperter – til at hjælpe med at sikre, at AI-løsningen er designet og implementeret korrekt, og til at overveje, hvordan løsningen vil påvirke en slutbrugers arbejde.

Selvfølgelig er tillid ikke kun noget, der opnås i designfasen – det skal også opretholdes hele AI-løsningens levetid. Mekanismer som AI-data flywheel, eller læringsløkker, der kontinuerligt opdaterer modeller med nye data for at holde dem aktuelle, hjælper AI-løsninger med at forblive relevante, præcise og troværdige. Forstærkning og sikkerhedsforanstaltninger, der er programmeret ind i AI-løsninger, kan også hjælpe med at holde deres præstation på sporet inden for en defineret sæt af regler.

Reale anvendelser

AI er allerede blevet accepteret og brugt og har en virkning i reale anvendelsessager for nogle af verdens største livsvidenskabsvirksomheder.

I et tilfælde søgte en førende lægemiddelvirksomhed at forbedre, hvordan de engagerede sundhedsfagfolk (HCP’er) på tværs af multiple mærker og markeder. Virksomhedens evne til at engagere HCP’er og optimere markedsføringsstrategier var hæmmet af udfordringer såsom datastyringsproblemer, mangel på kunde-niveau indsigt og tilpasningsvanskeligheder.

Virksomheden implementerede en omnichannel-engagement-løsning. Den kombinerede prædiktive signaler for HCP-engagement med “næste bedste handling”-anbefalinger, der hjalp holdene med at afgøre, hvordan de skulle pace udstrækning og hvilke opfølgende handlinger de skulle tage. Virksomheden så en firedobling af deres evne til at identificere højværdipatienter, sammen med 20% og 36% øgninger i nye patientinitiationer for to af deres mærker.

Et andet eksempel er i litteraturgennemgange, der kræves til lægemiddeludvikling. At udføre disse gennemgange kan tage måneder og kræve dyb domæneekspertise, omhyggelig planlægning, betydelig manuel indsats og mere. De kan også være svære at skala og sårbare over for fejl.

AI-løsninger kan automatisere store dele af litteraturgennemgange, fra protokoldesign til søgning og screening, dataekstraktion og analyse og rapportering. For det arbejde, som AI-løsningen tager på, kan forskere eller andre gennemgå logikken bag hver beslutning.

Nu med AI kan gennemgange, der tidligere tog måneder, afsluttes på blot få dage og med færre fejl. I et tilfælde hjalp en AI-løsning en stor lægemiddelvirksomhed at opnå en initial skærmning for en videnskabelig-litteraturgennemgangssag syv gange hurtigere end den traditionelle manuelle proces. Dette reducerede den estimerede skærmningstid fra 20 dage til under tre dage.

AI skaber også nye muligheder på dette område. For eksempel har det tilladt virksomheder at skabe “levende” gennemgange, der kan opdateres kontinuerligt med de seneste offentliggjorte data.

Samarbejde er afgørende

At skabe troværdige AI-løsninger for sundheds- og livsvidenskabssektoren kræver en blanding af ekspertise, som ingen enkelt organisation kan tilbyde alene. Derfor samarbejder like-minded virksomheder, der bringer sammen den tekniske og domæne-ekspertise og kapaciteter, der er nødvendige for at skabe komplette, validerede AI-systemer, der kan skala på tværs af både regulerede og kommercielle arbejdsgange.

Den rette tekniske partner, for eksempel, bringer ingeniør-dybde og omfattende erfaring til at deployere og køre AI på virksomhedsniveau. De kan levere åbne modeller for at give den gennemsigtighed, som troværdig AI har brug for, og software-komponenter, der muliggør hurtigere AI-løsningsbygning. Og deres erfaring med at skabe troværdige enterprise AI-løsninger for andre brancher kan hjælpe dem med at forudse udfordringer og styrke design.

På domænesiden bringer en effektiv samarbejdspartner ikke kun dyb klinisk udviklings- og kommerciel ekspertise, men også en bevist track record for at udvikle troværdige AI-løsninger. De har de væsentlige ingredienser, der er nødvendige for at skabe disse løsninger, som data science-ekspertise, regulatorisk viden og en historie af sikker og ansvarlig dataanvendelse. Men de kan også tilbyde mere for at støtte AI-deployments, fra en villighed til at udfordre offentlige benchmarks for at sikre, at en AI-løsning præsterer, som forventet, til ressourcer som forward-deployed ingeniører, der kan hjælpe med at integrere AI-løsninger i slutbrugernes arbejdsgange, med hensyn til slutbrugerens unikke IT-systemkonfigurationer og politikker.

Ændrer, hvordan arbejde bliver gjort

AI er ikke bare et værktøj mere for sundheds- og livsvidenskabsorganisationer. Gjort rigtigt, ændrer det, hvordan arbejde bliver udført, og hvordan problemer bliver løst. Troværdig AI er allerede blevet bevist at kunne forkorte tidsrammer, forbedre præcision og hjælpe hold med at tackle komplekse udfordringer mere smidigt, genopfinder arbejdsgange for AI-æraen.

Som AI skifter fra at generere indsigt til at træffe beslutninger og udføre komplekse arbejdsgange, vil organisationer, der omfavner denne udvikling, være i stand til at frigøre nye driftsmodeller, der gør dem mere effektive, mere informerede og mere responsive over for hurtigt skiftende krav i sundheds- og livsvidenskabssektoren.