Om de zorg en de levenswetenschappen te transformeren, moet AI betrouwbaar zijn

Kunstmatige intelligentie (AI) wordt snel ingebed in zorg- en levenswetenschapsorganisaties. Toch gebruiken de meeste organisaties het in pockets, in plaats van het op te schalen om de prestaties aanzienlijk te verbeteren in het hele bedrijf. Onder de uitdagingen: AI in deze industrieën moet voldoen aan de hoogste kwaliteits-, privacy- en betrouwbaarheidsnormen, en het moet betrouwbaar zijn.

Grote taalmodel (LLM)-gebaseerde AI-hulpmiddelen zijn krachtig, maar de meeste LLM’s zijn niet ontworpen voor de eisen van zorg- en levenswetenschapsoperaties. Ze kunnen inconsistent output produceren, en hun prestaties kunnen variëren naarmate de informatie en context veranderen. Algemene AI in het bijzonder is getraind op brede, openbare gegevens – met beperkte medische curatie – en is niet gebouwd om te voldoen aan medische, wetenschappelijke of regelgevende vereisten.

Deze problemen zijn onaanvaardbaar in operaties waar beslissingen niet alleen financiële, maar ook klinische, wetenschappelijke, juridische en uiteindelijk menselijke gevolgen hebben.

De bodemlijn: een hogere standaard van AI is nodig.

Als zorg- en levenswetenschapsorganisaties AI willen gebruiken om hun commerciële en gereguleerde operaties te transformeren, hebben ze AI nodig dat betrouwbaar is.

Wat is nodig om betrouwbaar AI te creëren

Betrouwbaar AI produceert betrouwbare resultaten, presteert consistent naarmate de gegevens veranderen en is conform en verdedigbaar.

Het bereiken van dit resultaat vereist zowel wetenschappelijke als technische expertise, evenals een grondige aanpak die elk aspect van verantwoordelijke AI-ontwerp, -gebruik en -bewaking in overweging neemt. Wat ziet dit er in de praktijk uit?

De eerste stap is om het einddoel te begrijpen: wat is de eindgebruikerseis die de AI-oplossing moet aanpakken, en wat ziet succes eruit? Dit omvat het begrijpen van de rollen van degenen die de AI-oplossing zullen gebruiken, hun behoeften en workflows, en of de commerciële doelen die ze willen bereiken of de regelgevende vereisten waaraan ze moeten voldoen.

Deze details zullen helpen om belangrijke technische beslissingen te informeren, zoals het kiezen van de juiste modellen voor de AI-oplossing, het ontwerpen van validatiekaders en het vaststellen van de metrieken waartegen de oplossing zal worden gemeten.

Betrouwbare systemen houden ook rekening met de expert in de lus vanaf het begin van het ontwerpproces, niet als een nagestreefd doel. Dit omvat het gebruik van menselijke experts – waaronder klinische, wetenschappelijke, regelgevende en commerciële experts – om ervoor te zorgen dat de AI-oplossing correct is ontworpen en geïmplementeerd en om te overwegen hoe de oplossing de werkzaamheden van de eindgebruiker zal beïnvloeden.

Natuurlijk wordt vertrouwen niet alleen verdiend in het ontwerpstadium – het moet worden onderhouden gedurende de hele levensduur van de AI-oplossing. Mechanismen zoals AI-gegevensvliegwiel, of leerlussen die modellen voortdurend bijwerken met nieuwe gegevens om ze actueel te houden, helpen AI-oplossingen relevant, nauwkeurig en betrouwbaar te blijven. Versterkt leren en geïmplementeerde beveiligingsmaatregelen in AI-oplossingen kunnen ook helpen om hun prestaties op koers te houden binnen een gedefinieerde set regels.

Reële toepassingen

AI wordt al omarmd en vertrouwd en heeft een impact in reële toepassingen voor enkele van ‘s werelds grootste levenswetenschapsbedrijven.

In één geval zocht een toonaangevend farmaceutisch bedrijf naar manieren om de manier te verbeteren waarop het zorgprofessionals (HCP’s) over meerdere merken en markten heen betrok. Het bedrijf had moeite met het betrekken van HCP’s en het optimaliseren van marketingstrategieën vanwege uitdagingen zoals gegevensbeheerproblemen, een gebrek aan klantniveau-inzichten en aanpassingsmoeilijkheden.

Het bedrijf implementeerde een oplossing voor omnichannel-betrokkenheid. Het combineerde voorspellende signalen voor HCP-betrokkenheid met “next best action”-aanbevelingen die teams hielpen te beslissen hoe ze outreach en follow-upacties moesten plannen. Het bedrijf zag een viermaal verbeterde mogelijkheid om waardevolle patiënten te identificeren, evenals een toename van 20% en 36% in het initiëren van nieuwe patiënten voor twee van zijn merken.

Een ander voorbeeld is de literatuuronderzoeken die nodig zijn voor geneesmiddelenontwikkeling. Het uitvoeren van deze onderzoeken kan maanden duren en vereist diepgaande domeinkennis, zorgvuldige planning, aanzienlijke handmatige inspanning en meer. Ze kunnen ook moeilijk te schalen zijn en gevoelig voor fouten.

AI-oplossingen kunnen grote delen van literatuuronderzoeken automatiseren, van protocolontwikkeling tot zoeken en screenen, gegevensextractie en analyse en rapportage. Voor welk werk de AI-oplossing ook aanpakt, kunnen onderzoekers of anderen de logica achter elke beslissing controleren.

Nu met AI kunnen onderzoeken die eerder maanden duurden, in slechts enkele dagen worden voltooid en met minder fouten. In één geval hielp een AI-oplossing een groot farmaceutisch bedrijf een initiële screening voor een wetenschappelijk-literatuuronderzoeksevenaar zeven keer sneller dan het traditionele handmatige proces. Dit verkortte de geschatte screentijd van 20 dagen tot minder dan drie dagen.

AI creëert ook nieuwe mogelijkheden in dit veld. Het heeft bijvoorbeeld bedrijven in staat gesteld om “levende” onderzoeken te maken die voortdurend kunnen worden bijgewerkt met de laatste gepubliceerde gegevens.

Samenwerking is essentieel

Het creëren van betrouwbare AI-oplossingen voor zorg en levenswetenschappen vereist een combinatie van expertise die geen enkele organisatie alleen kan bieden. Dit is waarom gelijkgestemde bedrijven samenwerken, waarbij ze de technische en domeinkennis en -mogelijkheden combineren die nodig zijn om complete, gevalideerde AI-systemen te maken die kunnen worden geschaald over zowel gereguleerde als commerciële workflows.

De juiste technische partner, bijvoorbeeld, brengt engineeringdiepte en uitgebreide ervaring met zich mee om AI op ondernemingsniveau te implementeren en uit te voeren. Ze kunnen open modellen leveren om de transparantie te bieden die betrouwbare AI nodig heeft en softwarecomponenten die snellere AI-oplossingsbouw mogelijk maken. En hun ervaring met het creëren van betrouwbare ondernemings-AI-oplossingen voor andere industrieën kan helpen om uitdagingen te anticiperen en ontwerpen te versterken.

Aan de kant van het domein brengt een effectieve samenwerkingster niet alleen diepgaande klinische ontwikkelings- en commercialisatie-expertise, maar ook een bewezen staat van dienst in het creëren van betrouwbare AI-oplossingen. Ze hebben de essentiële ingrediënten nodig om deze oplossingen te maken, zoals gegevenswetenschappelijke expertise, regelgevende kennis en een geschiedenis van veilig en verantwoord gegevensgebruik. Maar ze kunnen ook meer bieden om AI-implementaties te ondersteunen, van het uitdagen van openbare benchmarks om ervoor te zorgen dat een AI-oplossing zoals verwacht presteert, tot middelen zoals vooruitgestuurde ingenieurs die helpen AI-oplossingen in de workflows van eindgebruikers te integreren, rekening houdend met de unieke IT-systeemconfiguraties en -beleid van de eindgebruiker.

De manier van werken veranderen

AI is niet zomaar een ander instrument voor zorg- en levenswetenschapsorganisaties. Als het goed wordt gedaan, verandert het de manier waarop werk wordt uitgevoerd en problemen worden opgelost. Betrouwbare AI in het bijzonder heeft al aangetoond dat het tijdslijnen kan verkorten, de nauwkeurigheid kan verbeteren en teams kan helpen om complexe uitdagingen soepeler aan te pakken, workflows voor de AI-tijdperk herscheppend.

Naarmate AI verschuift van het genereren van inzichten naar het nemen van beslissingen en het uitvoeren van complexe workflows, zullen organisaties die deze evolutie omarmen in staat zijn om nieuwe bedrijfsmodellen te lanceren die hen efficiënter, geïnformeerd en responsiever maken op snel veranderende eisen in de zorg en de levenswetenschappen.