Matt Michelson, Prezes Genesis AI w Genesis Research – Seria wywiadów

Matt Michelson jest Prezesem Genesis AI w Genesis Research, międzynarodowej organizacji badawczej zajmującej się oceną skuteczności leczenia i dowodami z badań rzeczywistych, z biurami w USA i Wielkiej Brytanii, wspierającej branżę life sciences.

Ustanowiony lider w dziedzinie strategii dowodów, rozwoju i komunikacji, wspiera klientów w analizach baz danych, strategicznych i taktycznych badaniach ekonomicznych i wyników leczenia, przeglądach literatury, modelowaniu ekonomicznym, publikacjach naukowych i strategii dostępu do rynku.

Jako eksperci w dziedzinie rozwoju innowacyjnych rozwiązań technologicznych, oferują szereg platform, pulpity, portale danych i unikalną platformę przeglądu literatury wspomaganą przez sztuczną inteligencję EVID AI, w celu wspierania identyfikacji, monitorowania i ekstrakcji dokładnie ukierunkowanych dowodów.

Czy mógłbyś podzielić się historią powstania Genesis Research?

W 2009 roku, po czasie spędzonym w środowisku akademickim i wykorzystaniu głębokiej wiedzy ilościowej, nasz CEO Frank Corvino i jego partner biznesowy, klinicysta i ekonomista zdrowia, połączyli swoje umiejętności, aby stworzyć nowy model biznesowy, który wspierałby firmy z branży life sciences, stosując bardziej oparty na danych podejście, pozyskując spostrzeżenia z dużych zbiorów danych w sposób transparentny, powtarzalny i wysoce efektywny.

Genesis Research została początkowo zbudowana na zobowiązaniu do myślenia poza schematami, aby dostarczyć wartość popartą dowodami z badań rzeczywistych. Od tego czasu usługi firmy rozszerzyły się na zdolności dostępu do rynku i strategię, badania ekonomiczne i wyników leczenia, komunikację naukową oraz zaawansowane możliwości cyfrowe, takie jak użycie sztucznej inteligencji (AI) w sposób dostosowany do potrzeb.

Firma rozwinęła się w wiodącą międzynarodową organizację badawczą zajmującą się dowodami z badań rzeczywistych i oceną skuteczności leczenia, jaką jest dzisiaj, ponieważ słuchamy naszych klientów i wykorzystujemy zróżnicowany, wysoko wykwalifikowany zespół, aby spełnić ich zmieniające się potrzeby na każdym etapie cyklu życia produktu, stosując elastyczny „wzmocniony model partnerstwa”, który pozwala nam działać bezproblemowo jako rozszerzenie zespołu klienta.

Czy mógłbyś omówić, jak szybko przyśpiesza tempo publikacji?

Trudno określić dokładnie, ale szacunki wskazują na wzrost o 4-10% każdego roku, z 1-2 milionami artykułów publikowanych obecnie w branży opieki zdrowotnej rocznie. To ogromna liczba, zwłaszcza jeśli się szacuje, że przeczytanie abstraktu zajmuje osobie pięć minut. PubMed (publiczna wersja wyszukiwarki artykułów medycznych Medline) zawiera ponad 30 milionów artykułów.

Dlaczego tradycyjne metody przeglądu artykułów nie działają już?

Te zadania sprowadzają się do procesu znajdowania dowodów, w szczególności artykułów, które odpowiadają na pytania naukowe. I nie chodzi o to, że metody ręczne nie mogą tego zrobić. Raczej, ponieważ proces jest tak uciążliwy, oznacza to, że zadanie nie jest tak elastyczne. Nikt nie chce wykonać pracy, aby to zrobić ponownie, jeśli coś się zmieni, i nie można przeszukać tylu źródeł, ile się chce, ze względu na ogromny nakład czasu. I ludzie czasem pomijają artykuły, ponieważ trudno się koncentrować po przeczytaniu kilkuset artykułów. W przeciwieństwie do tego, wyszkolona maszyna nie męczy się, a korzyści z wydajności oznaczają, że podejścia oparte na AI są bardziej elastyczne, ponieważ można po prostu uruchomić następne wyszukiwanie i można wykonać tyle, ile się chce.

Co to jest EVID AI i jak upraszcza proces identyfikacji i przeglądu ogromnych ilości badań dla badaczy medycznych?

EVID AI jest jedyną bazą danych literatury medycznej, która wykorzystuje uczenie maszynowe do wytworzenia ponad 80 milionów punktów danych – od badań przedklinicznych, klinicznych, ekonomicznych, epidemiologicznych, wyników zgłaszanych przez pacjentów i obszarów przeglądu – i pozwala użytkownikom filtrować wyniki wyszukiwania do najbardziej istotnych, aktualnych informacji potrzebnych do dalszej analizy. Jest to jedyna platforma z możliwością przekształcenia danych złożonych w kilku artykułach w strukturalne tabele, które przedstawiają istotne, żądane punkty danych w czytelny sposób. Ten opatentowany podejście destyluje dowody w użyteczne dane, tak aby badacze mogli łatwiej tworzyć wykresy i pulpity, aby podzielić się nimi z interesariuszami, bez konieczności czytania dużej ilości artykułów.

Genesis Research niedawno wprowadziła ulepszenia do EVID AI – które jest teraz największą bieżącą platformą badawczą literatury medycznej – aby pomóc zespołom farmaceutycznym i innym decydentom w branży opieki zdrowotnej znaleźć wysokiej jakości, ukierunkowane wyniki szybciej, bardziej efektywnie i z bezprecedensowej liczby źródeł.

Używając EVID AI, zadania wyszukiwania literatury medycznej można teraz wykonać 59 razy szybciej niż przy wysiłku ręcznym, z znacznie bardziej istotnymi dowodami na wyszukiwanie i 15 razy mniej nieistotnymi artykułami. Opatentowany format oparty na uczeniu maszynowym, zaprogramowany za pomocą ekspozycji na dziesiątki tysięcy punktów danych szkoleniowych, jest szybszy i bardziej kompleksowy niż kiedykolwiek wcześniej i skróci czas badań z miesięcy do tygodni lub dni.

Jednym z korzyści EVID AI jest to, że pozwala badaczom i regulatorom rządowym śledzić dane AI do ich źródła. Dlaczego jest to ważne i jak to działa?

Kluczowym problemem z wieloma systemami AI jest to, że są nieprzezroczyste – czasem nazywane “czarnymi skrzynkami”. I to jest prawdą w tym sensie, że nie zawsze rozumiemy, dlaczego AI robi to, co robi. Na przykład, jeśli weźmie artykuł i wyodrębni wszystkie wyniki z tekstu, nie może powiedzieć, dlaczego wybrał te frazy i wyniki, może tylko pokazać je. Jednakże, kładziemy nacisk na przejrzystość i dostarczanie pochodzenia danych (np. pokazywanie, skąd pochodzą), tak aby użytkownicy mogli zawsze śledzić wynik do zdania, z którego pochodzi, artykułu, który zawiera to zdanie, a następnie oryginalnej lokalizacji artykułu. W ten sposób zawsze istnieje mechanizm śledzenia wyników do ich źródła. Oprócz dostarczania lepszej nauki, jest to ważne dla regulatorów, ponieważ jeśli firma farmaceutyczna opiera swoje twierdzenie na dowodach z naszego AI, regulator może zweryfikować, czy dane są poprawne i źródło jest ważne.

Czy mógłbyś podzielić się przypadkiem użycia lub studium przypadku badaczy korzystających z EVID AI?

Zdecydowanie. Jest wiele do wyboru, ale oto dwa, które są przydatne, ponieważ pokazują, jak można użyć narzędzia zarówno do większych, budżetowych projektów, jak i do codziennych, ad-hoc zadań. W pierwszym przypadku mieliśmy firmę farmaceutyczną, która zatrudniła zespół do aktualizacji przeglądu literatury w dziedzinie onkologii. Jest to duże przedsięwzięcie, ponieważ konkretna dziedzina onkologii jest duża, literatura zmienia się szybko, a zakres projektu jest duży. Oryginalny przegląd obejmował analizę krajobrazu (tj. wszystkich głównych leków) i ich wyników pod względem skuteczności, bezpieczeństwa i wpływu ekonomicznego. Obejmował nie tylko raporty z badań klinicznych, ale także artykuły o badaniach obserwacyjnych, w których naukowcy śledzili wyniki leku przepisanego w “rzeczywistym świecie”, a nie tylko w kontrolowanym środowisku badawczym.

EVID AI pomogło tej firmie zgromadzić wszystkie nowe i zaktualizowane wyniki dla tego zadania przeglądu literatury, z ogromnymi oszczędnościami. W przeciwieństwie do tego, mieliśmy przykład, w którym naukowiec zbudował model ekonomiczny kosztów związanych z przełączaniem się między różnymi lekami na choroby psychiczne, tzw. “model wpływu na budżet”. Wyzwaniem było pobranie dobrych szacunków, jak często takim pacjentom przepisuje się leki. Gdy naukowiec początkowo zbudował model, spędził cały dzień przeglądając artykuły, aby znaleźć wynik, który chciał. Z EVID AI znalazł go w kilka minut.

Jaki jest twój pogląd na przyszłość współpracy człowieka i AI w badaniach medycznych?

Im bardziej badania medyczne stają się komfortowe z AI, tym bardziej będzie przenikać do obszarów od odkrycia leków po rekrutację do badań klinicznych, analizę danych i refundację. Każdy aspekt rozwoju nowych terapii będzie korzystał z AI, a wyniki będą wbudowane w przepływ pracy. Zamiast polegać na oddzielnych narzędziach, które wymagają przełączania kontekstu z zadania laboratoryjnego na zadanie AI, stanie się tak intuicyjne, jak używanie GPS, aby dostać się do nowej restauracji. Nie będzie nawet drugiej myśli. Jednakże, zwłaszcza w branży farmaceutycznej, nadal będziemy potrzebować wysoko doświadczonych ludzi, jak zespoły w Genesis Research, aby określić istotność danych i zainicjować dalszą analizę w celu wspierania podejmowania decyzji.

Czy jest coś jeszcze, co chciałbyś podzielić o Genesis Research?

Genesis Research doświadcza szybkiego wzrostu dzięki swojej zdolności do podejmowania nowych wyzwań, zadawania właściwych pytań, tworzenia właściwych zespołów, aby uzyskać dostęp do i przeanalizować właściwe dane, oraz dostarczaniu rozwiązań, które przyspieszają inicjatywy life sciences. Jako pionier w rozwoju rozwiązań opartych na dowodach z badań rzeczywistych, firma jest całkowicie agnostyczna pod względem danych i ściśle współpracuje z klientami, aby zidentyfikować optymalne źródła danych. Jesteśmy dumni, że jesteśmy ustanowionym liderem w dziedzinie strategii dowodów, rozwoju i komunikacji, a także ekspertami w dziedzinie rozwoju innowacyjnych rozwiązań technologicznych.