Per Trasformare l’Assistenza Sanitaria e le Scienze della Vita, l’Intelligenza Artificiale Deve Essere Affidabile

L’intelligenza artificiale (AI) sta diventando rapidamente una componente integrante delle organizzazioni sanitarie e delle scienze della vita. Tuttavia, la maggior parte delle organizzazioni la utilizza in modo limitato, anziché scalare l’AI per migliorare in modo significativo le prestazioni in tutta l’azienda. Tra le sfide: l’AI in questi settori deve soddisfare gli standard più alti di qualità, privacy e affidabilità, e deve essere affidabile.

Gli strumenti AI basati su modelli linguistici (LLM) sono potenti, ma la maggior parte degli LLM non è progettata per soddisfare le esigenze delle operazioni sanitarie e delle scienze della vita. Possono produrre output inconsistenti, e le loro prestazioni possono variare con il cambiare delle informazioni e del contesto. L’AI generale, in particolare, è addestrata su dati pubblici ampi – con limitata cura medica – e non è costruita per soddisfare i requisiti medici, scientifici o normativi.

Questi problemi sono inaccettabili in operazioni in cui le decisioni hanno non solo conseguenze finanziarie, ma anche cliniche, scientifiche, legali e, in ultima analisi, umane.

In sintesi: è necessario un livello più alto di AI.

Se le organizzazioni sanitarie e delle scienze della vita desiderano utilizzare l’AI per trasformare le loro operazioni commerciali e regolamentate, hanno bisogno di un’AI affidabile.

Cosa è necessario per creare un’AI affidabile

Un’AI affidabile produce risultati attendibili, si comporta in modo coerente con il cambiare dei dati e è conforme e difendibile.

Per raggiungere questo obiettivo, è necessario disporre di competenze scientifiche e tecniche, nonché di un approccio rigoroso che consideri ogni aspetto della progettazione, dell’uso e della sorveglianza dell’AI responsabile. Come si presenta questo nella pratica?

Il primo passo consiste nel comprendere l’obiettivo finale: qual è il requisito dell’utente finale che la soluzione AI deve soddisfare, e cosa significa il successo? Ciò richiede la comprensione dei ruoli di coloro che utilizzeranno la soluzione AI, delle loro esigenze e dei flussi di lavoro, nonché degli obiettivi commerciali che desiderano raggiungere o dei requisiti normativi che devono soddisfare.

Questi dettagli aiuteranno a informare le decisioni tecniche chiave, come la scelta dei modelli appropriati per la soluzione AI, la progettazione di framework di convalida e l’istituzione delle metriche contro cui la soluzione sarà misurata.

I sistemi affidabili considerano anche l’esperto nel ciclo fin dall’inizio del processo di progettazione, e non come un ripensamento. Ciò comporta l’utilizzo di esperti umani – compresi esperti clinici, scientifici, normativi e commerciali – per assicurarsi che la soluzione AI sia progettata e distribuita correttamente e per considerare come la soluzione influenzerà il lavoro di un utente finale.

Naturalmente, la fiducia non è solo guadagnata nella fase di progettazione – deve essere mantenuta per tutta la vita della soluzione AI. Meccanismi come i flywheel dei dati AI, o loop di apprendimento che aggiornano continuamente i modelli con nuovi dati per mantenerli aggiornati, aiutano le soluzioni AI a rimanere rilevanti, accurate e affidabili. L’apprendimento per rinforzo e le barriere di sicurezza programmate nelle soluzioni AI possono anche aiutare a mantenere le loro prestazioni sulla giusta strada all’interno di un insieme definito di regole.

Applicazioni nel mondo reale

L’AI sta già facendo un impatto e viene utilizzata in casi d’uso reali per alcune delle più grandi aziende delle scienze della vita.

In un caso, un’azienda farmaceutica leader ha cercato di migliorare la sua capacità di coinvolgere i professionisti sanitari (HCP) in più marchi e mercati. La capacità dell’azienda di coinvolgere gli HCP e di ottimizzare le strategie di marketing era ostacolata da sfide come problemi di gestione dei dati, carenza di informazioni a livello di cliente e difficoltà di adattamento.

L’azienda ha implementato una soluzione di coinvolgimento omnicanale. Ha combinato segnali predittivi per il coinvolgimento degli HCP con raccomandazioni di “prossima azione” che hanno aiutato i team a decidere come gestire il coinvolgimento e quali azioni di follow-up intraprendere. L’azienda ha registrato un miglioramento quadruplo nella sua capacità di identificare pazienti ad alto valore, insieme a aumenti del 20% e del 36% nel numero di nuovi pazienti per due dei suoi marchi.

Un altro esempio è rappresentato dalle revisioni della letteratura richieste per lo sviluppo di farmaci. Condurre queste revisioni può richiedere mesi e richiedere una profonda competenza nel settore, una pianificazione meticolosa, uno sforzo manuale significativo e altro ancora. Possono anche essere difficili da scalare e suscettibili di errori.

Le soluzioni AI possono automatizzare grandi parti delle revisioni della letteratura, dalla fase di protocollo alla ricerca e allo screening, all’estrazione dei dati e all’analisi e alla relazione. Per qualsiasi lavoro che la soluzione AI svolge, i ricercatori o altri possono esaminare la logica dietro ogni decisione.

Ora, con l’AI, le revisioni che una volta richiedevano mesi possono essere completate in pochi giorni e con meno errori. In un caso, una soluzione AI ha aiutato un’azienda farmaceutica a raggiungere uno screening iniziale per un caso d’uso di revisione della letteratura scientifica sette volte più velocemente del processo manuale tradizionale. Ciò ha ridotto il tempo di screening stimato da 20 giorni a meno di tre giorni.

L’AI sta anche creando nuove possibilità in questo settore. Ad esempio, ha consentito alle aziende di creare “revisioni viventi” che possono essere aggiornate continuamente con i dati pubblicati più recenti.

La collaborazione è essenziale

La creazione di soluzioni AI affidabili per l’assistenza sanitaria e le scienze della vita richiede una combinazione di competenze che nessuna organizzazione può fornire da sola. È per questo che aziende come-minded stanno collaborando, unendo le competenze tecniche e di settore necessarie per creare sistemi AI completi e validati che possano scalare sia i flussi di lavoro regolamentati che quelli commerciali.

Il partner tecnico giusto, ad esempio, porta una profondità di ingegneria e un’esperienza estensiva per distribuire e eseguire l’AI su larga scala. Possono fornire modelli aperti per fornire la trasparenza di cui l’AI affidabile ha bisogno e componenti software che consentono una costruzione più rapida della soluzione AI. E la loro esperienza nella creazione di soluzioni AI affidabili per altri settori può aiutarli ad anticipare le sfide e a rafforzare i progetti.

Sul lato del settore, un collaboratore efficace porta non solo una profonda competenza nello sviluppo clinico e nella commercializzazione, ma anche una storia di soluzioni AI affidabili. Hanno gli ingredienti essenziali necessari per creare queste soluzioni, come competenze nel settore dei dati, conoscenze normative e una storia di utilizzo sicuro e responsabile dei dati. Ma possono anche offrire di più per supportare i dispiegamenti AI, dalla disponibilità a sfidare i benchmark pubblici per assicurarsi che la soluzione AI si esegua come previsto, alle risorse come ingegneri schierati in anticipo che possono aiutare a integrare le soluzioni AI nei flussi di lavoro degli utenti finali, tenendo conto delle configurazioni del sistema IT univoche e delle politiche dell’utente finale.

Cambiare il modo in cui il lavoro viene svolto

L’AI non è solo uno strumento aggiuntivo per le organizzazioni sanitarie e delle scienze della vita. Fatto nel modo giusto, cambia il modo in cui il lavoro viene eseguito e come vengono risolti i problemi. L’AI affidabile, in particolare, sta già dimostrando di poter ridurre i tempi, migliorare l’accuratezza e aiutare i team a gestire meglio le sfide complesse, riimmaginando i flussi di lavoro per l’era dell’AI.

Man mano che l’AI passa dalla generazione di informazioni alla presa di decisioni e all’esecuzione di flussi di lavoro complessi, le organizzazioni che abbracciano questa evoluzione saranno in grado di sbloccare nuovi modelli operativi che le renderanno più efficienti, più informate e più rispondenti alle richieste in rapida evoluzione nel settore sanitario e delle scienze della vita.