Matt Michelson, prezes Genesis AI w Genesis Research – seria wywiadów

Matt Michelson, jest prezesem Genesis AI w Badania Genezy, międzynarodowa organizacja badawcza HEOR i Real-World Evidence z biurami w USA i Wielkiej Brytanii, która wspiera branżę nauk przyrodniczych.

Będąc uznanym liderem w dziedzinie strategii, rozwoju i komunikacji dowodów, wspierają klientów w zakresie analiz baz danych, strategicznej i taktycznej ekonomiki zdrowia oraz badań wyników, przeglądów literatury, modelowania ekonomicznego, publikacji naukowych i strategii dostępu do rynku.

Jako eksperci w opracowywaniu innowacyjnych rozwiązań technologicznych udostępniają szereg niestandardowych platform, dashboardów, portali danych oraz unikalną platformę przeglądową wspomaganą technologią sztucznej inteligencji EVID AI, aby wspierać identyfikację, monitorowanie i wydobywanie precyzyjnie ukierunkowanych dowodów.

Czy mógłbyś podzielić się historią genezy Genesis Research?

W 2009 roku, po okresie spędzonym w środowisku akademickim i wykorzystując swoje głębokie doświadczenie ilościowe, nasz dyrektor generalny Frank Corvino i jego partner biznesowy, klinicysta i ekonomista zdrowia, połączyli swoją wiedzę specjalistyczną, aby opracować nowy model biznesowy, który wspierał firmy z branży nauk przyrodniczych w podejściu bardziej opartym na danych wnioski z dużych zbiorów danych w konsekwentnie przejrzysty, powtarzalny i wysoce sprawny sposób.

Początkowo badania Genesis Research opierały się na zaangażowaniu w nieszablonowe myślenie w celu dostarczenia demonstracji wartości popartej dowodami ze świata rzeczywistego (RWE). Od tego czasu usługi firmy rozszerzyły się o możliwości i strategię dostępu do rynku, ekonomikę zdrowia i badania wyników (HEOR), komunikację naukową oraz zaawansowane możliwości cyfrowe, takie jak dostosowane do potrzeb wykorzystanie sztucznej inteligencji (AI).

Firma rozwinęła się w wiodącą międzynarodową organizację RWE i HEOR, którą jesteśmy dzisiaj, ponieważ słuchamy naszych klientów, a następnie wykorzystujemy zróżnicowany, wysoko wykwalifikowany zespół, aby sprostać ich zmieniającym się potrzebom na każdym etapie cyklu życia produktu, stosując elastyczny „model wzmocnionego partnerstwa” ” co pozwala nam bezproblemowo działać jako rozszerzenie zespołu klienta.

Co roku publikowane są ogromne tomy artykułów. Czy mógłbyś omówić, jak szybko rośnie tempo publikacji?

Trudno dokładnie określić, ale szacunki wahają się od 4 do 10% wzrostu każdego roku, przy czym obecnie w służbie zdrowia publikuje się 1-2 miliony artykułów rocznie. To ogromna liczba, zwłaszcza jeśli szacuje się, że przeczytanie streszczenia zajmuje osobie pięć minut. Sam PubMed (publiczna wersja wyszukiwarki artykułów medycznych Medline) posiada zbiór ponad 30 milionów artykułów.

Dlaczego tradycyjne sposoby recenzowania artykułów już nie działają?

Zadania te sprowadzają się do procesu poszukiwania dowodów, w szczególności artykułów, które odpowiadają na Twoje naukowe pytania. I nie jest tak, że metodami ręcznymi nie da się tego zrobić. Raczej dlatego, że proces jest tak uciążliwy, oznacza to, że zadanie nie jest tak elastyczne. Nikt nie chce męczyć się, aby zrobić to wszystko ponownie, jeśli coś się zmieni, a nie można przeszukiwać tylu źródeł, ile by się chciało, biorąc pod uwagę ogromną inwestycję czasową. Czasami ludzie będą pomijać artykuły, ponieważ po przeczytaniu kilkuset artykułów trudno im się skoncentrować. W przeciwieństwie do tego wyszkolona maszyna nigdy się nie męczy, a wzrost wydajności oznacza, że ​​podejścia oparte na sztucznej inteligencji są bardziej elastyczne, ponieważ możesz po prostu przeprowadzić następne wyszukiwanie i wykonać tyle, ile potrzebujesz.

Czym jest sztuczna inteligencja EVID i w jaki sposób ułatwia badaczom medycznym identyfikowanie i przeglądanie ogromnej liczby badań?

EVID AI to jedyna baza danych literatury medycznej, która wykorzystuje uczenie maszynowe do wygenerowania ponad 80 milionów punktów danych ─ z badań przedklinicznych, klinicznych, ekonomicznych, epidemiologicznych, wyników zgłaszanych przez pacjentów i obszarów tematycznych przeglądu ─ i umożliwia użytkownikom filtrowanie wyników wyszukiwania według najbardziej istotne, aktualne informacje potrzebne do dalszej analizy. Jest to jedyna platforma z możliwością przekształcania danych osadzonych w wielu artykułach w ustrukturyzowane tabele przedstawiające istotne, wymagane punkty danych w przejrzystym formacie. To opatentowane podejście przekształca dowody w użyteczne dane, dzięki czemu badacze mogą łatwiej tworzyć wykresy i pulpity nawigacyjne, aby udostępniać je zainteresowanym stronom, bez konieczności czytania dużej liczby artykułów.

Firma Genesis Research wprowadziła niedawno ulepszenia do EVID AI – będącej obecnie największą na świecie platformą do badania literatury medycznej – która pomaga zespołom farmaceutycznym i innym decydentom z zakresu opieki zdrowotnej znajdować wysokiej jakości, ukierunkowane wyniki szybciej, wydajniej i z niespotykanej dotąd liczby źródeł.

Korzystanie z WIDZ AI, zadania związane z przeszukiwaniem literatury medycznej można teraz wykonywać 59 razy szybciej niż ręcznie, przy znacznie większej liczbie trafnych dowodów na wyszukiwanie i 15 razy mniejszej liczbie nieistotnych artykułów. Opatentowany format uczenia maszynowego, zaprogramowany poprzez ekspozycję na dziesiątki tysięcy punktów danych szkoleniowych, jest szybszy i bardziej wszechstronny niż kiedykolwiek, a także skraca czas badań z miesięcy do tygodni lub dni.

Jedną z zalet sztucznej inteligencji EVID jest to, że umożliwia badaczom i organom regulacyjnym śledzenie danych AI aż do ich źródła. Dlaczego jest to ważne i jak to działa?

Kluczowym problemem wielu systemów sztucznej inteligencji jest to, że są one nieprzejrzyste – czasami nazywane „czarnymi skrzynkami”. Jest to prawdą w tym sensie, że nie zawsze rozumiemy, dlaczego sztuczna inteligencja robi to, co robi. Na przykład, jeśli bierze artykuł i wyodrębnia wszystkie wyniki z tekstu, niekoniecznie może dokładnie powiedzieć, dlaczego wybrał te frazy i wyniki, może po prostu je pokazać. Kładziemy jednak nacisk na przejrzystość i podawanie pochodzenia danych (np. pokazywanie, skąd pochodzą), aby użytkownicy zawsze mogli prześledzić wynik aż do zdania, z którego pochodzi, artykułu zawierającego to zdanie, a następnie pierwotna lokalizacja artykułu. Dzięki temu zawsze istnieje mechanizm umożliwiający śledzenie wyników aż do ich źródła. Oprócz zapewnienia lepszej wiedzy naukowej jest to ważne dla organów regulacyjnych, ponieważ jeśli firma farmaceutyczna składa wniosek w oparciu o dowody pochodzące z naszej sztucznej inteligencji, organ regulacyjny może zweryfikować, czy dane są prawidłowe, a źródło ważne.

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

Absolutnie. Jest z czego wybierać, ale oto dwa, które są przydatne, ponieważ pokazują, jak narzędzie może zostać wykorzystane zarówno w przypadku większych, budżetowych projektów, jak i codziennych, doraźnych zadań. W pierwszym przypadku firma farmaceutyczna zaangażowała zespół do aktualizacji przeglądu literatury dotyczącej onkologii. To duże przedsięwzięcie, bo specyfika onkologii jest duża, literatura zmienia się szybko, a zakres projektu duży. Pierwotny przegląd obejmował analizę krajobrazu (np. wszystkich głównych narkotyków) i ich wyników pod kątem ich skuteczności i bezpieczeństwa oraz skutków ekonomicznych. Zawierały nie tylko raporty z badań klinicznych, ale także artykuły na temat badań obserwacyjnych, podczas których naukowcy śledzą działanie leku przepisanego w „prawdziwym świecie”, a nie tylko w kontrolowanym, próbnym środowisku.

EVID AI pomogła tej firmie zebrać wszystkie nowe i zaktualizowane wyniki dla tego zadania związanego z literaturą, przy ogromnych oszczędnościach. Dla kontrastu mieliśmy przykład, w którym naukowiec zbudował model ekonomiczny kosztów związanych ze zmianą różnych leków stosowanych w leczeniu zdrowia psychicznego, zwany „modelami wpływu na budżet”. Wyzwanie polega na dokładnym oszacowaniu, jak często tacy pacjenci zmieniają leki. Kiedy naukowiec początkowo budował model, spędził cały dzień na przeglądaniu artykułów, aby znaleźć oczekiwany wynik. Dzięki EVID AI znalazł go w ciągu kilku minut.

Jaka jest Twoja wizja przyszłości współpracy ludzi i sztucznej inteligencji w badaniach medycznych?

W miarę jak badania medyczne będą coraz bardziej wygodne dzięki sztucznej inteligencji, będą one przenikać do obszarów od odkrywania leków, przez rekrutację do badań klinicznych, po analizę danych i zwrot kosztów. Sztuczna inteligencja odniesie korzyści w każdym aspekcie opracowywania nowych terapii, a wyniki zostaną uwzględnione w przepływie pracy. Zamiast polegać na oddzielnych narzędziach, które wymagają przełączania kontekstu z zadania badawczego na zadanie oparte na sztucznej inteligencji, stanie się to tak intuicyjne, jak korzystanie z GPS w celu dotarcia do nowej restauracji. Nie będzie nawet chwili zastanowienia. Jednak szczególnie w branży farmaceutycznej nadal będziemy potrzebować wysoce doświadczonych ludzi, takich jak zespoły w Genesis Research, aby określić istotność danych i zainicjować dalsze analizy w celu wsparcia procesu decyzyjnego.

Czy jest coś jeszcze, czym chciałbyś się podzielić na temat Genesis Research?

Badania Genesis szybki rozwój wynika ze zdolności do podejmowania nowych wyzwań, zadawania właściwych pytań, tworzenia odpowiednich zespołów zapewniających dostęp do właściwych danych i ich analizowania oraz dostarczania rozwiązań, które popychają do przodu inicjatywy z zakresu nauk o życiu. Jako innowator w tworzeniu rozwiązań opartych na RWE, firma jest całkowicie niezależna od danych i ściśle współpracuje z klientami w celu identyfikacji optymalnych źródeł danych. Jesteśmy dumni, że jesteśmy uznanym liderem w zakresie strategii, rozwoju i komunikacji dowodowej, a także ekspertem w zakresie rozwoju innowacyjnych rozwiązań technologicznych.