Matt Michelson, President of Genesis AI at Genesis Research – Intervju-serie

Matt Michelson, er president for Genesis AI i Genesis Research, en internasjonal HEOR og Real-World Evidence-forskningsorganisasjon med kontorer i USA og Storbritannia som støtter life sciences-industrien.

En etablert leder i bevisstrategi, utvikling og kommunikasjon, støtter de kundene med databaseanalyser, strategisk og taktisk helseøkonomi og resultatformidling, litteraturgjennomgang, økonomisk modellering, vitenskapelige publikasjoner og markedstilgangsstrategi.

Som eksperter i utvikling av innovative teknologiske løsninger, tilbyr de en rekke tilpassede plattformer, dashboards, dataportaler og en unik kunstig intelligens-teknologi-assistert gjennomgangsplattform EVID AI, for å støtte identifisering, overvåking og uttrekk av nøyaktig målrettede bevis.

Kunne du dele den opprinnelige historien bak Genesis Research?

I 2009, etter tid i akademia og ved hjelp av hans dypt kvantitative bakgrunn, vårt CEO Frank Corvino og hans forretningspartner, en kliniker og helseøkonom, kombinerte deres ekspertise for å utvikle en ny forretningsmodell som støttet life sciences-selskaper med en mer data-drevet tilnærming til å gli innblick fra store data på en konsekvent transparent, reproducerbar og høyt kompetent måte.

Genesis Research ble opprinnelig bygget på et løfte om å tenke utenfor boksen for å levere verdidemonstrasjon støttet av Real-World Evidence (RWE). Siden da har selskapets tjenester utvidet seg til å omfatte markedstilgangs-kapacitet og strategi, helseøkonomi og resultatformidling (HEOR), vitenskapelig kommunikasjon og avanserte digitale kapasiteter som den riktige bruken av kunstig intelligens (AI).

Selskapet utviklet seg til den ledende internasjonale RWE- og HEOR-organisasjonen vi er i dag fordi vi lytter til våre kunder og deretter bruker et mangfoldig, høyt kvalifisert team for å møte deres skiftende behov på ethvert stadium av produktlivssyklusen, ved å bruke en fleksibel “forbedret partnerskapsmodell” som gjør det mulig for oss å fungere som en del av en kundes team.

Hvor raskt øker publiseringshastigheten?

Det er vanskelig å fastslå nøyaktig, men estimatene varierer fra 4 til 10% økning hvert år, med 1-2 millioner artikler som publiseres i helsevesenet hvert år. Det er et massivt antall, særlig hvis du estimerer at det tar en person fem minutter å lese en abstrakt. PubMed selv (den offentlige versjonen av Medline-søkeingen for helseartikler) har en samling på over 30 millioner artikler.

Hvorfor fungerer ikke de tradisjonelle måtene å gjennomgå papirer lenger?

Disse oppgavene går ned til prosessen med å finne bevis, spesielt papirer, som besvarer dine vitenskapelige spørsmål. Og det er ikke slik at manuelle metoder ikke kan gjøre dette. Snarere, fordi prosessen er så møysommelig, betyr det at oppgaven ikke er like fleksibel. Ingen ønsker å gå gjennom arbeidet med å gjøre det hele igjen hvis noe endrer seg, og du kan ikke søke så mange kilder som du måtte ønske, gitt den enorme tidsinvesteringen. Og mennesker vil noen ganger overse artikler siden det er vanskelig å konsentrere seg etter å ha lest noen hundre papirer. I kontrast, en trent maskin blir aldri trøtt, og effektivitetsgevinstene betyr at AI-baserte tilnærming er mer fleksibel, siden du bare kan kjøre neste søk, og du kan gjøre så mange som du trenger.

Hva er EVID AI og hvordan forenkler det prosessen for medisinske forskere å identifisere og gjennomgå enorme mengder forskning?

EVID AI er den eneste medisinske litteraturdatabasen som bruker maskinlæring til å produsere over 80 millioner datapunkter ─ fra prekliniske, kliniske, økonomiske, epidemiologiske, pasient-rapporterte resultater og gjennomgangs-fokusområder ─ og lar brukerne filtere søke-resultater til de mest relevante, aktuelle informasjonene som trengs for videre analyse. Det er den eneste plattformen med mulighet til å omdanne data innbygget i flere artikler til strukturerte tabeller som presenterer relevante, forespurte datapunkter på en klar måte. Denne patenterede tilnærmingen destillerer bevis til brukbar data, så forskerne kan lettere utvikle grafiske fremstillinger og dashboards til å dele med interessenter uten å måtte lese en stor mengde papirer.

Genesis Research har nylig gjort forbedringer av EVID AI ─ som nå er verdens største nåværende medisinske litteratur-forskningsplattform ─ som hjelper legemiddelteam og andre helse-beslutningstakere å finne høykvalitets-, målrettede resultater raskere, mer effektivt og fra en utenforliggende bredde av kilder.

Med EVID AI kan medisinske litteratur-søkeoppgaver nå gjøres 59 ganger raskere enn manuelle forsøk, med betydelig mer relevante bevis per søk og 15 ganger færre irrelevante artikler. Den patenterede maskinlærings-formatet, programmerert gjennom eksponering for titusener av trenings datapunkter, er raskere og mer omfattende enn noensinne og vil kutte forskningstiden fra måneder til uker eller dager.

En fordel med EVID AI er at det lar forskere og myndigheter spore AI-dataene tilbake til deres kilde. Hvorfor er dette viktig og hvordan fungerer det?

En nøkkelproblem med mange AI-systemer er at de er uigjennomtrengelige – noen ganger kalt “svarte bokser”. Og dette er sant i den forstand at vi ikke alltid forstår hvorfor AI gjør hva den gjør. For eksempel, hvis den tar en artikkel og bryter ut alle resultater fra teksten, kan den ikke nødvendigvis fortelle deg eksakt hvorfor den valgte disse frasene og resultater, den kan bare vise dem til deg. Imidlertid legger vi vekt på å være transparent og å gi data-proveniens (dvs. å vise deg hvor det kommer fra), så brukerne alltid kan spore et resultat tilbake til setningen det kommer fra, artikkelen som inneholder den setningen, og deretter den opprinnelige lokasjonen av artikkelen. På den måten er det alltid en mekanisme for å spore resultater tilbake til deres kilde. I tillegg til å gi bedre vitenskap, er dette viktig for myndighetene, siden hvis et legemiddelselskap gjør et krav basert på bevis fra vår AI, kan myndigheten verifisere at dataene er korrekte og kilde er gyldig.

Kunne du dele en brukstilfelle eller en casestudie av forskere som bruker EVID AI?

Absolutt. Det finnes mange å velge fra, men her er to som er nyttige, siden de viser hvordan verktøyet kan brukes både for større, budsjetterte prosjekter og daglige, ad-hoc-oppgaver. I det første tilfellet hadde vi et legemiddelselskap engasjert et team for å gjøre en litteraturgjennomgangs-oppdatering for onkologi. Dette er en stor oppgave fordi det spesifikke feltet i onkologi er stort, litteraturen endrer seg raskt, og prosjektets omfang er stort. Den opprinnelige gjennomgangen inkluderte en analyse av landskapet (dvs. alle hovedlegemidlene) og deres resultater i forhold til hvor effektive de er, hvor trygge de er, og de økonomiske innvirkningene. Den inkluderte ikke bare kliniske prøverapporter, men også artikler om observasjonsstudier, hvor vitenskapsmenn sporer legemidlets ytelse i den “virkelige verden” i stedet for bare i en kontrollert, prøvemiljø.

EVID AI hjalp dette selskapet med å samle alle nye og oppdaterte resultater for denne litteratur-oppgaven, med enorme besparelser. I kontrast hadde vi et eksempel hvor en vitenskapsmann hadde bygget en økonomisk modell for kostnadene forbundet med å bytte mellom ulike mentale helselegemidler kalt “budsjett-impakt-modeller”. Utfordringen er å trekke gode estimater av hvor ofte slike pasienter bytter legemidler. Når vitenskapsmannen opprinnelig bygde modellen, brukte han en hel dag på å skanne artikler for å finne resultatet han ønsket. Med EVID AI fant han det på noen minutter.

Hva er din syn på fremtiden for mennesker og AI som samarbeider i medisinsk forskning?

Når medisinsk forskning blir mer og mer komfortabel med AI, vil det permeere områder fra legemiddelforskning til klinisk prøve-rekruttering til data-analyse og refundasjon. Hvert aspekt av utviklingen av nye behandlinger vil dra nytte av AI, og resultater vil bli innbygget i arbeidsflyten. I stedet for å være avhengig av separate verktøy som krever kontekst-skifting fra en benk-vitenskapelig oppgave til en AI-oppgave, vil det bli like intuitivt som å bruke GPS for å komme til en ny restaurant. Det vil ikke engang være en annen tanke. Imidlertid, spesielt i legemiddelindustrien, vil vi fortsatt trenge høyt erfarne mennesker, som teamene i Genesis Research, for å bestemme relevansen av data og initiere videre analyse for å hjelpe med beslutning.

Er det noe annet du ville dele om Genesis Research?

Genesis Research’s raske vekst skyldes evnen til å ta på seg nye utfordringer, stille de riktige spørsmålene, samle det riktige team for å få tilgang til og analysere de riktige dataene, og levere løsninger som flytter life sciences-initiativer fremover. En innovator i utvikling av RWE-baserte løsninger, er selskapet helt data-agnostisk og arbeider tett med kunder for å identifisere optimale datakilder. Vi er stolte av å være en etablert leder i bevisstrategi, utvikling og kommunikasjon, samt eksperter i utvikling av innovative teknologiske løsninger.