Matt Michelson, Genesis AI:n presidentti Genesis Research – Haastattelusarja

Matt Michelson on Genesis AI:n presidentti Genesis Researchissa, kansainvälisessä HEOR- ja Real-World Evidence -tutkimusorganisaatiossa, jolla on toimistot Yhdysvalloissa ja Isossa-Britanniassa ja joka tukee elintarviketeollisuutta.

Genesis Research on vakiintunut johtaja näytön strategiassa, kehityksessä ja viestinnässä, ja se tukee asiakkaitaan tietokanta-analyyseilla, strategisilla ja taktisilla terveyden taloudellisilla ja tuloksellisilla tutkimuksilla, kirjallisuuskatsauksilla, taloudellisilla malleilla, tieteellisillä julkaisuilla ja markkinatulon strategialla.

Genesis Research on asiantuntija innovatiivisten teknologisen ratkaisujen kehittämisessä, ja se tarjoaa räätälöityjä alustoja, kojussuojia, tietoportteja ja ainutlaatuista tekoälytekniikkaa avustavaa tarkastusalustaa EVID AI:ta, jotta asiakkaat voivat helposti tunnistaa, seurata ja poimia tarkasti kohdennettua näyttöä.

Voitko kertoa Genesis Researchin alkulaisen tarinan?

Vuonna 2009, aikansa akatemiassa vietettyään ja syvän kvantitatiivisen taustansa hyödyntäen, meidän CEO Frank Corvino ja hänen liikekumppaninsa, lääkäri ja terveyden taloustieteilijä, yhdistivät osaamisensa kehittääkseen uuden liiketoimintamallin, joka tukee elintarviketeollisuuden yrityksiä enemmän datajohtoisella lähestymistavalla, jossa saadaan selkeät ja toistettavissa olevat tulokset.

Genesis Research perustettiin sitoutumalla ajattelemaan ulkopuolelta laatimaan arvonäyttöä, jota tukee Real-World Evidence (RWE). Sen jälkeen yrityksen palvelut laajenivat käsittämään markkinatulon kykyjä ja strategiaa, terveyden taloudellista ja tuloksellista tutkimusta, tieteellistä viestintää ja edistyneitä digitaalisia kykyjä, kuten tekoälyn (AI) tarkoituksenmukaisen käytön.

Yritys kehittyi johtavaksi kansainväliseksi RWE- ja HEOR-organisaatioksi, koska kuuntelemme asiakkaitamme ja käytämme monipuolista, korkeasti koulutettua tiimiä täyttämään heidän muuttuvia tarpeitaan tuotteen elinkaaren missä tahansa vaiheessa, soveltamalla joustavaa “parannettua kumppanuusmallia”, joka mahdollistaa toimimisen asiakkaan tiimin laajennuksena.

Voitko keskustella siitä, kuinka nopeasti julkaisunopeus on kiihtynyt?

On vaikea määritellä tarkkaa lukuaa, mutta arviot liikkuvat 4-10 prosentin vuosittaisen kasvun välillä, ja terveydenhuollossa julkaistaan tällä hetkellä noin 1-2 miljoonaa artikkelia vuodessa. Se on valtava määrä, erityisesti jos arvioi, että yhden abstraktin lukemiseen menee noin viisi minuuttia. PubMedissä (julkisessa Medline-terveydenhuollon paperien hakukoneessa) on yli 30 miljoonaa artikkelia.

Miksi perinteiset tavan sanat eivät enää toimi?

Nämä tehtävät ovat prosessia, jossa etsitään näyttöä, erityisesti artikkeleita, jotka vastaavat tieteellisiin kysymyksiisi. Ja se ei ole sitä, että manuaaliset menetelmät eivät voi tehdä tätä. Sen sijaan, koska prosessi on niin raskas, se tarkoittaa, että tehtävä ei ole niin joustava. Kukaan ei halua käydä läpi koko prosessia uudelleen, jos jotain muutetaan, eikä voi etsiä niin monta lähdettä kuin haluaisi, ottaen huomioon valtavan aikapanostuksen. Ja ihmiset voivat joskus jättää artikkeleita huomioimatta, koska on vaikea keskittyä lukemiseen muutaman sadan artikkelin jälkeen. Vastakohtana, koulutettu kone ei väsy, ja tehokkuuden parantumisen ansiosta tekoälypohjaiset lähestymistavat ovat joustavampia, koska voit vain suorittaa seuraavan haun, ja voit tehdä niin monta kuin tarvitset.

Mikä on EVID AI ja miten se yksinkertaa prosessia lääketieteellisille tutkijoille tunnistaa ja käydä läpi valtavia määriä tutkimusta?

EVID AI on ainoa lääketieteellinen kirjallisuuden tietokanta, joka käyttää koneoppimista tuottamaan yli 80 miljoonaa dataa ─ prekliinisistä, kliinisistä, taloudellisista, epidemiologisista, potilaiden ilmoittamista tuloksista ja katsauskohteista ─ ja sallii käyttäjien suodattaa hakutulokset merkittävimpiin, ajantasaisimpiin tietoihin, joita tarvitaan jatkotutkimuksiin. Se on ainoa alusta, jolla on mahdollista muuttaa useiden artikkeleiden sisältämät tiedot rakenteellisiksi taulukoiksi, jotka esittävät pyydetyt, merkitykselliset datapisteet selkeässä muodossa. Tämä patentoidtu lähestymistapa tiivistää näytön käytettäväksi tietoksi, jotta tutkijat voivat helpommin kehittää graafeja ja kojuja, joita voidaan jakaa sidosryhmien kanssa ilman, että heidän tarvitsee lukea suuren määrän artikkeleita.

Genesis Research teki äskettäin parannuksia EVID AI:hin ─ josta on tullut maailman suurin nykyinen lääketieteellinen tutkimusalan alusta ─ jotka auttavat lääketeollisuuden tiimejä ja muita terveydenhuollon päätöksentekijöitä löytämään laadukkaita, kohdennettuja tuloksia nopeammin, tehokkaammin ja ennennäkemättömästä lähteistön määrästä.

Käyttämällä EVID AI:ta, lääketieteellisen kirjallisuuden hakutehtävät voidaan suorittaa 59 kertaa nopeammin kuin manuaalisilla ponnistelulla, merkittävästi enemmän merkityksellistä näyttöä kussakin haussa ja 15 kertaa vähemmän merkityksettömiä artikkeleita. Patentoidtu, koneoppimiseen perustuva muoto, joka on ohjelmoitu koulutusdatan avulla, on nopeampi ja kattavampi kuin koskaan aiemmin, ja se leikkaa tutkimusaikaa kuukausista viikkoihin tai päiviin.

Yksi EVID AI:n hyödyistä on, että se sallii tutkijoille ja viranomaisille jäljittää tekoälyn datan alkuperän. Miksi tämä on tärkeää ja miten se toimii?

Tärkeä kysymys monissa tekoälyjärjestelmissä on, että ne ovat epäselviä – toisinaan kutsutaan “mustiksi ruuduiksi”. Ja tämä on totta siinä mielessä, että emme aina ymmärrä, miksi tekoäly toimii tietyllä tavalla. Esimerkiksi, jos se ottaa artikkelin ja erottaa siitä kaikki tulokset, se ei välttämättä kerro, miksi se valitsi juuri ne lauseet ja tulokset, se vain näyttää ne. Kuitenkin, me panostamme avoimuuteen ja tarjoamme dataprovensaation (esim. näyttäen, mistä se tulee), jotta käyttäjät voivat aina jäljittää tuloksen alkuperäiseen lauseeseen, artikkeliin, jossa se lause on, ja alkuperäiseen artikkelin sijaintiin. Tällä tavoin on aina mekanismi jäljittää tulokset alkuperäiseen lähteeseensä. Lisäksi, tämä on tärkeää sääntelijöille, koska jos lääketeollisuusyhtiö tekee väitteen, joka perustuu EVID AI:n tarjoamaan näyttöön, sääntelijä voi varmistaa, että data on oikein ja lähde on validi.

Voitko kertoa käyttöesimerkin tai case-tutkimuksen tutkijoista, jotka käyttävät EVID AI:ta?

Totta. On monia esimerkkejä, mutta tässä on kaksi, jotka ovat hyödyllisiä, koska ne osoittavat, miten työkalua voidaan käyttää sekä suurempiin, budjetoitiin projekteihin että päivittäisiin, ad-hoc-tehtäviin. Ensimmäisessä tapauksessa meillä oli lääketeollisuusyhtiö, joka palkkasi tiimin tekemään kirjallisuuskatsauksen päivittämiseksi onkologiaan. Tämä on suuri urakka, koska onkologian erityinen ala on laaja, kirjallisuus muuttuu nopeasti, ja projektin laajuus on suuri. Alkuperäinen katsaus sisälsi analyysin maisemasta (esim. kaikki pääasialliset lääkkeet) ja niiden tuloksista siinä, miten tehokkaita ne ovat, miten turvallisia ne ovat, ja taloudellisista vaikutuksista. Se sisälsi ei vain kliinisten tutkimusten raportteja, vaan myös artikkeleita havaintotutkimuksista, joissa tutkijat seuraavat lääkkeen suorituskykyä “oikeassa maailmassa” eikä ainoastaan kontrolloidussa tutkimisympäristössä.

EVID AI auttoi tätä yhtiötä keräämään kaikki uudet ja päivitetyt tulokset tälle kirjallisuustehtävälle, jossa säästyi valtavasti. Vastakohtana, meillä oli esimerkki, jossa tutkija oli rakentanut taloudellisen mallin, joka arvioi kustannuksia, jotka liittyvät eri mielenterveyslääkkeiden vaihtamiseen, “budjettivaikutusmalleja”. Haasteena oli etsiä hyviä arvioita siitä, kuinka usein potilaat vaihtavat lääkkeitä. Kun tutkija alun perin rakensi mallin, hän vietti koko päivän etsimässä artikkeleita, joista hän löysi haluamansa tuloksen. EVID AI:n avulla hän löysi sen muutamassa minuutissa.

Mikä on näkemyksesi ihmisen ja tekoälyn tulevaisuudesta lääketieteellisessä tutkimuksessa?

Kun lääketieteellinen tutkimus tulee yhä enemmän tuttuksi tekoälystä, se tulee lävitsemaan alueita lääkekehityksestä kliinisiin tutkimuksiin, data-analyysiin ja korvauksiin. Jokainen uusien hoitokeinojen kehittämiseen liittyvä asia hyötyy tekoälystä, ja tulokset tulevat osaksi työnkulkua. Sen sijaan, että riippuisimme erillisistä työkaluista, jotka vaativat kontekstin vaihtamista pöytätutkimuksesta tekoälytehtävään, se tulee olemaan yhtä luonnollista kuin GPS:n käyttäminen uuden ravintolan löytämiseen. Siinä ei edes ole toissijaista ajatusta. Erityisesti lääketeollisuudessa tarvitsemme kuitenkin edelleen korkeasti koulutettuja ihmisiä, kuten Genesis Researchin tiimit, joilla on rooli datapisteiden merkityksen määrittämisessä ja jatkotutkimusten aloittamisessa päätöksenteon tueksi.

Onko jotain muuta, mitä haluaisit jakaa Genesis Researchista?

Genesis Researchin nopea kasvu johtuu kyvystään ottaa vastaan uusia haasteita, asettaa oikeat kysymykset, koota oikeat tiimit päästäkseen ja analysoimaan oikeat tiedot ja toimittaa ratkaisuja, jotka edistävät elintarviketeollisuuden aloitteita. Innovatiivisten RWE-pohjaisien ratkaisujen kehittäjänä yritys on täysin data-agnostinen ja työskentelee läheisesti asiakkaiden kanssa tunnistamaan optimaaliset datalähteet. Olemme ylpeitä siitä, että olemme vakiintunut johtaja näytön strategiassa, kehityksessä ja viestinnässä, sekä asiantuntijoita innovatiivisten teknologisten ratkaisujen kehittämisessä. Olemme ylpeitä siitä, että olemme vakiintunut johtaja näytön strategiassa, kehityksessä ja viestinnässä, sekä asiantuntijoita innovatiivisten teknologisten ratkaisujen kehittämisessä, ja työskentelemme asiakkaiden kanssa tunnistamaan optimaaliset datalähteet.