Matt Michelson, President of Genesis AI i 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 kunder med databaseanalyser, strategisk og taktisk helseøkonomi og resultater, 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.

Kan du dele historien bak Genesis Research?

I 2009, etter tid i akademia og med en dypt kvantitativ bakgrunn, kombinerte vår CEO Frank Corvino og hans forretningspartner, en kliniker og helseøkonom, sin ekspertise for å utvikle en ny forretningsmodell som støttet life sciences-selskaper med en mer data-drevet tilnærming for å hente innblick fra store datamengder 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 verdibevisstøtte basert på Real-World Evidence (RWE). Siden da har selskapets tjenester utvidet seg til å omfatte markedstilgangskapasiteter og strategi, helseøkonomi og resultater, vitenskapelig kommunikasjon og avanserte digitale kapasiteter som den rette bruken av kunstig intelligens (AI).

Selskapet har utviklet seg til å bli 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 alle stadier av produktets livssyklus, ved å bruke en fleksibel “forbedret partnerskapsmodell” som gjør at vi kan operere 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 enormt tall, spesielt hvis du estimerer at det tar en person fem minutter å lese en abstrakt. PubMed selv (den offentlige versjonen av Medline-søkemotoren for helseartikler) har en samling på over 30 millioner artikler.

Hvorfor fungerer ikke tradisjonelle måter å gjennomgå papirer lenger?

Disse oppgavene handler om å finne bevisene, spesielt papirene, 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 like mange kilder som du måtte ønske, på grunn av 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 motsetning til dette, blir en trent maskin aldri trøtt, og effektivitetsgevinstene betyr at AI-baserte tilnærminger er mer fleksible, siden du kan bare kjøre neste søk, og du kan gjøre like 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, pasientrapporterte resultater og gjennomgangsfokusområder – og lar brukerne filtrere søkeresultater til de mest relevante, aktuelle informasjonene som trengs for videre analyse. Det er den eneste plattformen med mulighet til å omdanne data innbakt i flere artikler til strukturerte tabeller som presenterer relevante, forespurte datapunkter i en klar format. 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 til EVID AI – som nå er verdens største nåværende medisinske litteraturforskningsplattform – som hjelper legemiddelteam og andre helsebeslutningstakere å finne høykvalitets-, målrettede resultater raskere, mer effektivt og fra en utenforliggende bredde av kilder.

Med EVID AI kan medisinske litteratursøk-oppgaver nå gjøres 59 ganger raskere enn manuelle innsats, med betydelig mer relevante bevis per søk og 15 ganger færre irrelevante artikler. Den patenterede maskinlæringsformatet, programmerert gjennom eksponering for titusener av treningsdatapunkter, er raskere og mer omfattende enn noensinne og vil kutte forskningstiden fra måneder til uker eller dager.

En av fordelene 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 uklare – 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 dataprovins (dvs. å vise deg hvor det kommer fra), så at brukerne alltid kan spore et resultat tilbake til setningen det kom 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 kilden er gyldig.

Kan du dele en brukssak eller en casestudie av forskere som bruker EVID AI?

Absolutt. Det finnes mange å velge mellom, 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 den første saken hadde vi et legemiddelselskap som engasjerte et team for å gjøre en litteraturgjennomgangsoppdatering 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 konsekvensene. Den inkluderte ikke bare kliniske prøverapporter, men også artikler om observasjonsstudier, der vitenskapsmenn sporer legemiddeleffekten 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 litteraturgjennomgangsoppgaven, med enorme besparelser. I motsetning til dette, hadde vi et eksempel der en vitenskapsmann hadde bygget en økonomisk modell for kostnadene forbundet med å bytte mellom ulike psykiske helselegemidler kalt “budsjettimpaktmodeller”. Utfordringen er å trekke gode estimater for hvor ofte slike pasienter bytter legemidler. Da vitenskapsmannen opprinnelig bygde modellen, tilbrakte han en hel dag med 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?

Så lenge medisinsk forskning blir mer og mer komfortabel med AI, vil det permeere områder fra legemiddelforskning til klinisk prøverekrutering til dataanalyse og refundasjon. Hvert aspekt av utviklingen av nye terapier vil bli bedre med AI, og resultater vil bli innlemmet i arbeidsflyten. I stedet for å avhenge av separate verktøy som krever kontekstskifte 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 beslutningstaking.

Er det noe annet du ønsker å dele om Genesis Research?

Genesis Research sin raske vekst skyldes evnen til å ta på seg nye utfordringer, stille de riktige spørsmålene, samle det riktige teamet 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. Vi er en innovator i utvikling av RWE-baserte løsninger, og selskapet er 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.