For å transformere helsevesen og livsvitenskap, må AI være pålitelig

Kunstig intelligens (AI) blir raskt integrert i helsevesen og livsvitenskapelige organisasjoner. Likevel bruker de fleste organisasjonene det i mindre omfang enn å skalere det for å forbedre ytelsen på tvers av virksomheten. Blant utfordringene er at AI i disse bransjene må møte de høyeste standardene for kvalitet, personvern og pålitelighet, og det må være pålitelig.

Store språkmodellbaserte AI-verktøy er kraftfulle, men de fleste av disse modellene er ikke designet for kravene i helsevesen og livsvitenskapelige operasjoner. De kan produsere inkonsistente utdata, og deres ytelse kan variere når informasjon og kontekst endres. Generell AI, spesielt, er trent på bred, offentlig data – med begrensede medisinske kuratorer – og ikke bygget for å møte medisinske, vitenskapelige eller regulatoriske krav.

Disse problemene er uakseptable i operasjoner hvor beslutninger har ikke bare økonomiske, men også kliniske, vitenskapelige, juridiske og til slutt menneskelige konsekvenser.

Bunnlinjen er at en høyere standard for AI er nødvendig.

Hvis helsevesen og livsvitenskapelige organisasjoner ønsker å bruke AI til å transformere sine kommersielle og regulerte operasjoner, trenger de AI som er pålitelig.

Hva som er nødvendig for å skape pålitelig AI

Pålitelig AI produserer pålitelige resultater, utfører konsistent når data endres, og er kompatibel og forsvarlig.

Å oppnå dette krever både vitenskapelig og teknisk ekspertise, samt en streng tilnærming som tar hensyn til alle aspekter ved ansvarlig AI-design, bruk og overvåking. Hva ser dette ut som i praksis?

Det første steget er å forstå sluttmålet: Hva er sluttbegjæringen som AI-løsningen må møte, og hva ser suksess ut som? Dette innebærer å forstå rollene til de som skal bruke AI-løsningen, deres behov og arbeidsflyter, og enten de kommersielle målene de ønsker å oppnå eller de regulatoriske kravene de må møte.

Disse detaljene vil hjelpe med å informere nøkkeltekniske beslutninger, som å velge riktige modeller for AI-løsningen, designe valideringsrammer og etablere målene som løsningen vil bli målt mot.

Pålitelige systemer tar også hensyn til eksperten i løkken fra begynnelsen av designprosessen, ikke som en ettertanke. Dette innebærer å bruke menneskelige eksperter – inkludert kliniske, vitenskapelige, regulatoriske og kommersielle eksperter – for å sikre at AI-løsningen er designet og deployert korrekt og for å vurdere hvordan løsningen vil påvirke en sluttbegjærings arbeid.

Selvfølgelig er tillit ikke bare tjent ved designstadiet – den må også opprettholdes gjennom hele livsløpet til AI-løsningen. Mekanismer som AI-data flyhjul, eller læringsløkker som kontinuerlig oppdaterer modeller med nye data for å holde dem aktuelle, hjelper AI-løsninger med å forbli relevante, nøyaktige og pålitelige. Forsterkingslæring og vegger programmeres inn i AI-løsninger kan også hjelpe med å holde deres ytelse på spor innenfor et definert sett av regler.

Reelle anvendelser

AI er allerede i bruk og har en innvirkning i reelle anvendelser for noen av verdens største livsvitenskapelige selskaper.

I ett tilfelle søkte et ledende legemiddelselskap å forbedre hvordan det engasjerte helsepersonell (HCP) på tvers av flere merker og markeder. Selskapets evne til å engasjere HCP og optimalisere markedsstrategier ble hindret av utfordringer som datahåndtering, manglende kundeinnsikt og tilpasningsvansker.

Selskapet implementerte en løsning for omnikanal-engasjement. Den kombinerer prediktive signaler for HCP-engasjement med “neste beste handling” -anbefalinger som hjelper teamene å bestemme hvordan de skal plassere oppfølging og hva de skal gjøre. Selskapet så en firedobling av sin evne til å identifisere høyverdipasienter, samt 20% og 36% økning i nye pasientinitiasjoner for to av sine merker.

Et annet eksempel er i litteraturgjennomganger som kreves for legemiddelutvikling. Å gjennomføre disse gjennomgangene kan ta måneder og kreve dypt faglig ekspertise, omhyggelig planlegging, betydelig manuell innsats og mer. De kan også være vanskelige å skalerer og sårbare for feil.

AI-løsninger kan automatisere store deler av litteraturgjennomgangene, fra protokollutvikling til søking og skjerming, datauttrekk og analyse og rapportering. For det arbeidet AI-løsningen tar på, kan forskere eller andre gjennomgå logikken bak hver beslutning.

Nå med AI kan gjennomgangene som tidligere tok måneder fullføres på bare dager og med færre feil. I ett tilfelle hjalp en AI-løsning et stort legemiddelselskap å oppnå en initial skjerming for en vitenskapelig-litteraturgjennomgangsbrukssak syv ganger raskere enn den tradisjonelle manuelle prosessen. Dette forkortet den estimerte skjermingstiden fra 20 dager til mindre enn tre dager.

AI åpner også opp for nye muligheter på dette området. For eksempel har det gjort det mulig for selskaper å skape “levende” gjennomganger som kan kontinuerlig oppdateres med de siste publiserte dataene.

Samarbeid er essensielt

Å skape pålitelige AI-løsninger for helsevesen og livsvitenskap krever en blanding av ekspertise som ingen enkeltorganisasjon kan tilby på egen hånd. Dette er hvorfor like-minded selskaper samarbeider, bringer sammen den tekniske og faglige ekspertisen og evnene som trengs for å skape fullstendige, validerede AI-systemer som kan skaleres på tvers av både regulerte og kommersielle arbeidsflyter.

Den riktige tekniske partner, for eksempel, bringer ingeniose dybder og omfattende erfaring til å deployere og kjøre AI på bedriftsnivå. De kan levere åpne modeller for å gi den transparensen som pålitelig AI trenger og programvarekomponenter som muliggjør raskere AI-løsningbygging. Og deres erfaring med å skape pålitelige bedrifts AI-løsninger for andre bransjer kan hjelpe dem å forutse utfordringer og styrke designene.

På faglig side bringer en effektiv samarbeidspartner ikke bare dypt klinisk-utviklings- og kommersiell ekspertise, men også en bevist rekord for å utvikle pålitelige AI-løsninger. De har de essensielle ingrediensene som trengs for å skape disse løsningene, som dataekspertise, regulatorisk kunnskap og en historie av trygg og ansvarlig databruk. Men de kan også tilby mer for å støtte AI-deployeringer, fra en villighet til å utfordre offentlige benchmark til å sikre at AI-løsningen utfører som forventet, til ressurser som forhånds-utplasserte ingeniører som kan hjelpe med å integrere AI-løsninger i sluttbegjærings arbeidsflyt, med hensyn til sluttbegjærings unike IT-systemkonfigurasjoner og -politikker.

Endrer hvordan arbeid blir gjort

AI er ikke bare et verktøy for helsevesen og livsvitenskapelige organisasjoner. Gjort riktig, endrer det hvordan arbeid blir utført og hvordan problemer løses. Pålitelig AI, spesielt, har allerede vist at det kan forkorte tidsrammer, forbedre nøyaktigheten og hjelpe team med å takle komplekse utfordringer mer smidig, og omdefinere arbeidsflyter for AI-æraen.

Som AI går fra å generere innsikt til å ta beslutninger og utføre komplekse arbeidsflyter, vil organisasjoner som omfavner denne utviklingen kunne slippe løs nye driftsmodeller som gjør dem mer effektive, mer informerte og mer responsivt til raskt endrende krav i helsevesen og livsvitenskap.