Matt Michelson, Präsident von Genesis AI bei Genesis Research – Interview-Serie

Matt Michelson ist der Präsident von Genesis AI bei Genesis Research, einer internationalen HEOR- und Real-World-Evidence-Forschungsorganisation mit Büros in den USA und Großbritannien, die die Life-Sciences-Industrie unterstützt.

Als etablierter Leader in der Entwicklung von Beweisstrategien, -entwicklung und -kommunikation unterstützen sie Kunden mit Datenbankanalysen, strategischer und taktischer Gesundheitsökonomie und Ergebnisforschung, Literaturreviews, ökonomischen Modellen, wissenschaftlichen Veröffentlichungen und Marktzugangsstrategien.

Als Experten in der Entwicklung innovativer technologischer Lösungen bieten sie eine Reihe von maßgeschneiderten Plattformen, Dashboards, Datenportalen und einer einzigartigen künstlichen Intelligenz-Technologie, dem EVID-AI-Review-Plattform, um die Identifizierung, Überwachung und Extraktion von genau zielgerichteten Beweisen zu unterstützen.

Könnten Sie die Genesis-Geschichte hinter Genesis Research teilen?

Im Jahr 2009, nach einer Zeit in der Wissenschaft und mit seinem tiefen quantitativen Hintergrund, kombinierten unser CEO Frank Corvino und sein Geschäftspartner, ein Kliniker und Gesundheitsökonom, ihre Expertise, um ein neues Geschäftsmodell zu entwickeln, das Life-Sciences-Unternehmen mit einem datengetriebeneren Ansatz unterstützt, der Erkenntnisse aus Big Data in konsistent transparenter, reproduzierbarer und hochprofizienter Weise gewinnt.

Genesis Research wurde ursprünglich auf der Grundlage eines Engagements aufgebaut, um Wertdemonstrationen durch Real-World-Evidence (RWE) zu liefern. Seitdem haben sich die Dienstleistungen des Unternehmens erweitert, um Marktzugangskapazitäten und -strategien, Gesundheitsökonomie und Ergebnisforschung (HEOR), wissenschaftliche Kommunikation und fortschrittliche digitale Fähigkeiten wie die gezielte Verwendung von künstlicher Intelligenz (KI) zu umfassen.

Das Unternehmen entwickelte sich zu der führenden internationalen RWE- und HEOR-Organisation, die wir heute sind, weil wir unseren Kunden zuhören und dann ein vielfältiges, hochqualifiziertes Team einsetzen, um ihre sich ändernden Bedürfnisse auf jeder Stufe des Produktlebenszyklus zu erfüllen, wobei wir ein flexibles “erweitertes Partnerschaftsmodell” anwenden, das es uns ermöglicht, nahtlos als Erweiterung des Kunden-Teams zu agieren.

Gibt es eine enorme Menge an Veröffentlichungen pro Jahr. Könnten Sie diskutieren, wie schnell die Veröffentlichungsrate ansteigt?

Es ist schwierig, genau zu bestimmen, aber Schätzungen reichen von 4 bis 10% pro Jahr, mit 1-2 Millionen Artikeln, die derzeit pro Jahr im Gesundheitswesen veröffentlicht werden. Das ist eine enorme Zahl, insbesondere wenn man bedenkt, dass es etwa 5 Minuten dauert, um ein Abstract zu lesen. PubMed selbst (die öffentliche Version der Medline-Gesundheitspapier-Suchmaschine) hat eine Sammlung von über 30 Millionen Artikeln.

Warum funktionieren traditionelle Methoden der Überprüfung von Papieren nicht mehr?

Diese Aufgaben lassen sich auf den Prozess der Identifizierung von Beweisen reduzieren, insbesondere von Papieren, die Ihre wissenschaftlichen Fragen beantworten. Und es ist nicht so, dass manuelle Methoden dies nicht tun können. Vielmehr ist der Prozess so aufwändig, dass es bedeutet, dass die Aufgabe nicht so flexibel ist. Niemand möchte die Mühe auf sich nehmen, alles noch einmal zu tun, wenn sich etwas ändert, und man kann nicht so viele Quellen durchsuchen, wie man möchte, angesichts der enormen Zeitinvestition. Und Menschen werden manchmal Artikel übersehen, da es schwierig ist, nach dem Lesen von einigen hundert Papieren konzentriert zu bleiben. Im Gegensatz dazu ermüdet eine trainierte Maschine nie, und die Effizienzgewinne bedeuten, dass KI-basierte Ansätze flexibler sind, da man einfach die nächste Suche durchführen und so viele durchführen kann, wie man benötigt.

Was ist EVID AI und wie vereinfacht es den Prozess für medizinische Forscher, um große Mengen an Forschung zu identifizieren und zu durchsuchen?

EVID AI ist die einzige medizinische Literaturdatenbank, die maschinelles Lernen verwendet, um über 80 Millionen Datenpunkte zu produzieren – von präklinischen, klinischen, ökonomischen, epidemiologischen, patientenberichteten Ergebnissen und Review-Schwerpunkten – und es Benutzern ermöglicht, Suchergebnisse auf die relevantesten, aktuellen Informationen zu filtern, die für weitere Analysen benötigt werden. Es ist die einzige Plattform mit der Fähigkeit, Daten aus mehreren Artikeln in strukturierte Tabellen umzuwandeln, die relevante, angeforderte Datenpunkte in einem klaren Format präsentieren. Dieser patentierte Ansatz destilliert Beweise in verwendbare Daten, sodass Forscher leichter Grafiken und Dashboards erstellen können, um sie mit Stakeholdern zu teilen, ohne eine große Anzahl von Papieren lesen zu müssen.

Genesis Research hat kürzlich Verbesserungen an EVID AI vorgenommen – das jetzt die größte aktuelle medizinische Literatur-Forschungsplattform der Welt ist – um Pharma-Teams und andere Entscheidungsträger im Gesundheitswesen zu helfen, hochwertige, zielgerichtete Ergebnisse schneller, effizienter und aus einer beispiellosen Breite an Quellen zu finden.

Mithilfe von EVID AI können medizinische Literatursuchaufgaben jetzt 59-mal schneller als manuelle Bemühungen durchgeführt werden, mit deutlich mehr relevanten Beweisen pro Suche und 15-mal weniger irrelevanten Artikeln. Das patentierte maschinelle Lernformat, das durch die Ausbildung mit Zehntausenden von Trainingsdatenpunkten programmiert wurde, ist schneller und umfassender als je zuvor und wird die Forschungszeit von Monaten auf Wochen oder Tage verkürzen.

Einer der Vorteile von EVID AI ist, dass es Forschern und Regulierungsbehörden ermöglicht, die KI-Daten auf ihre Quelle zurückzuverfolgen. Warum ist dies wichtig und wie funktioniert es?

Ein wichtiger Punkt bei vielen KI-Systemen ist, dass sie undurchsichtig sind – manchmal als “Black Boxes” bezeichnet. Und das ist in dem Sinne wahr, dass wir nicht immer verstehen, warum die KI tut, was sie tut. Wenn sie beispielsweise einen Artikel nimmt und alle Ergebnisse aus dem Text herausbricht, kann sie nicht unbedingt sagen, warum sie genau diese Phrasen und Ergebnisse ausgewählt hat, sie kann sie nur anzeigen. Wir legen jedoch einen Schwerpunkt auf Transparenz und die Bereitstellung von Datenprovenienz (z. B. zeigen, woher sie stammen), sodass Benutzer immer ein Ergebnis auf die Sentence zurückverfolgen können, aus der es stammt, den Artikel, der diese Sentence enthält, und dann den ursprünglichen Speicherort des Artikels. Auf diese Weise gibt es immer einen Mechanismus, um Ergebnisse auf ihre Quelle zurückzuverfolgen. Zusätzlich zu einer besseren Wissenschaft ist dies wichtig für Regulierungsbehörden, da, wenn ein Pharma-Unternehmen einen Anspruch auf der Grundlage von Beweisen aus unserer KI erhebt, die Regulierungsbehörde überprüfen kann, ob die Daten korrekt sind und die Quelle gültig ist.

Könnten Sie ein Beispiel oder eine Fallstudie von Forschern teilen, die EVID AI verwenden?

Absolut. Es gibt viele, aus denen man wählen kann, aber hier sind zwei, die nützlich sind, da sie zeigen, wie das Tool für größere, budgetierte Projekte und tägliche, ad-hoc-Aufgaben verwendet werden kann. Im ersten Fall hatte wir ein Pharma-Unternehmen, das ein Team beauftragte, um eine Literaturübersichtsaktualisierung für Onkologie durchzuführen. Dies ist ein großes Vorhaben, da das spezifische Feld in der Onkologie groß ist, die Literatur sich schnell ändert und der Umfang des Projekts groß ist. Die ursprüngliche Übersicht umfasste eine Analyse des Landschaftsbildes (z. B. alle Hauptmedikamente) und ihre Ergebnisse in Bezug auf Wirksamkeit, Sicherheit und wirtschaftliche Auswirkungen. Sie umfasste nicht nur klinische Studienberichte, sondern auch Artikel über Beobachtungsstudien, bei denen Wissenschaftler die Leistung eines in der “realen Welt” verordneten Medikaments verfolgen, anstatt nur in einer kontrollierten Studienumgebung.

EVID AI half diesem Unternehmen, alle neuen und aktualisierten Ergebnisse für diese Literaturaufgabe zu sammeln, mit enormen Einsparungen. Im Gegensatz dazu hatten wir ein Beispiel, in dem ein Wissenschaftler ein wirtschaftliches Modell der Kosten im Zusammenhang mit dem Wechsel zwischen verschiedenen Medikamenten gegen psychische Erkrankungen entwickelt hatte, sogenannte “Budget-Impact-Modelle”. Die Herausforderung besteht darin, gute Schätzungen darüber zu erhalten, wie oft solche Patienten Medikamente wechseln. Als der Wissenschaftler ursprünglich das Modell entwickelte, verbrachte er einen ganzen Tag damit, Artikel zu scannen, um das Ergebnis zu finden, das er wollte. Mit EVID AI fand er es in wenigen Minuten.

Was ist Ihre Sicht auf die Zukunft der Zusammenarbeit zwischen Mensch und KI in der medizinischen Forschung?

Wenn die medizinische Forschung immer mehr mit KI vertraut wird, wird sie Bereiche von der Arzneimittelentdeckung bis zur klinischen Studienrekrutierung, Datenanalyse und Erstattung durchdringen. Jeder Aspekt der Entwicklung neuer Therapien wird von KI profitieren, und die Ergebnisse werden in den Arbeitsablauf eingebettet. Anstatt auf separate Tools angewiesen zu sein, die Kontextwechsel von einer Laboraufgabe zu einer KI-Aufgabe erfordern, wird es so intuitiv sein wie die Verwendung von GPS, um zu einem neuen Restaurant zu gelangen. Es wird nicht einmal einen zweiten Gedanken geben. Allerdings werden wir, insbesondere in der Pharmaindustrie, immer noch hochqualifizierte Menschen wie die Teams bei Genesis Research benötigen, um die Relevanz der Daten zu bestimmen und weitere Analysen zu initiieren, um Entscheidungen zu unterstützen.

Gibt es noch etwas, das Sie über Genesis Research teilen möchten?

Genesis Research wächst schnell, weil es in der Lage ist, neue Herausforderungen anzunehmen, die richtigen Fragen zu stellen, die richtigen Teams zu versammeln, um auf die richtigen Daten zuzugreifen und zu analysieren, und Lösungen zu liefern, die Life-Science-Initiativen vorantreiben. Als Innovator bei der Entwicklung von RWE-basierten Lösungen ist das Unternehmen vollständig datenagnostisch und arbeitet eng mit Kunden zusammen, um optimale Datenquellen zu identifizieren. Wir sind stolz darauf, ein etablierter Leader in der Beweisstrategie, -entwicklung und -kommunikation sowie Experte in der Entwicklung innovativer technologischer Lösungen zu sein.