Przekształcenie ochrony zdrowia i nauk o życiu wymaga zaufanego AI

Sztuczna inteligencja (AI) szybko staje się integralną częścią organizacji ochrony zdrowia i nauk o życiu. Jednak większość organizacji wykorzystuje ją w ograniczonym zakresie, zamiast rozwinąć ją w celu znaczącej poprawy wyników na poziomie całej firmy. Wśród wyzwań: AI w tych branżach musi spełniać najwyższe standardy jakości, prywatności i niezawodności, a także musi być godna zaufania.

Narzędzia AI oparte na dużych modelach językowych (LLM) są potężne, ale większość LLM nie jest zaprojektowana z myślą o wymaganiach operacyjnych w ochronie zdrowia i nauce o życiu. Mogą one generować niespójne dane wyjściowe, a ich działanie może się zmieniać wraz ze zmianą informacji i kontekstu. Ogólnego przeznaczenia AI w szczególności jest szkolonych na szerokich, publicznych danych – z ograniczoną kuracją medyczną – i nie jest zaprojektowany do spełnienia wymagań medycznych, naukowych lub regulacyjnych.

Te problemy są niedopuszczalne w operacjach, gdzie decyzje mają nie tylko finansowe, ale także kliniczne, naukowe, prawne i ostatecznie ludzkie konsekwencje.

Podsumowując: Potrzebny jest wyższy standard AI.

Jeśli organizacje ochrony zdrowia i nauk o życiu chcą wykorzystać AI do przekształcenia swoich komercyjnych i regulowanych operacji, potrzebują AI, które jest godne zaufania.

Co jest potrzebne do stworzenia zaufanego AI

Zaufane AI generuje niezawodne wyniki, działa spójnie wraz ze zmianą danych i jest zgodne z przepisami i uzasadnione.

Osiągnięcie tego wymaga zarówno naukowej, jak i technicznej ekspertyzy, a także rygorystycznego podejścia, które uwzględnia każdy aspekt odpowiedzialnego projektowania, użytkowania i monitorowania AI. Jak to wygląda w praktyce?

Pierwszym krokiem jest zrozumienie celu końcowego: Jaki jest wymóg użytkownika końcowego, który rozwiązanie AI musi spełnić, a co oznacza sukces? To wymaga zrozumienia ról osób, które będą korzystać z rozwiązania AI, ich potrzeb i przepływów pracy, a także komercyjnych celów, które chcą osiągnąć, lub regulacyjnych wymagań, którym muszą się podporządkować.

Te szczegóły pomogą poinformować kluczowe decyzje techniczne, takie jak wybór odpowiednich modeli dla rozwiązania AI, projektowanie ram walidacji i ustalenie wskaźników, którymi będzie mierzone rozwiązanie.

Zaufane systemy również uwzględniają eksperta w pętli od samego początku procesu projektowania, a nie jako późniejszy dodatek. To wymaga korzystania z ekspertów ludzkich – w tym klinicznych, naukowych, regulacyjnych i komercyjnych – aby upewnić się, że rozwiązanie AI jest zaprojektowane i wdrożone prawidłowo, a także aby rozważyć, jak rozwiązanie wpłynie na pracę użytkownika końcowego.

Oczywiście, zaufanie nie jest tylko zdobywane na etapie projektowania – musi być utrzymane przez całe życie rozwiązania AI. Mechanizmy takie jak AI data flywheels lub pętle uczenia, które ciągle aktualizują modele nowymi danymi, aby utrzymać ich aktualność, pomagają rozwiązaniom AI pozostać istotnymi, dokładnymi i godnymi zaufania. Uczenie wzmocnione i zabezpieczenia zaprogramowane w rozwiązaniach AI mogą również pomóc utrzymać ich działanie na odpowiednim poziomie w ramach określonych reguł.

Przykłady z życia wzięte

AI jest już akceptowane i ufa się mu, a także ma wpływ na prawdziwe przypadki użycia w niektórych z największych firm life science.

W jednym przypadku wiodąca firma farmaceutyczna chciała poprawić, w jaki sposób angażuje się w profesjonalistów ochrony zdrowia (HCP) w wielu markach i rynkach. Możliwość angażowania HCP i optymalizacji strategii marketingowych była utrudniona przez takie wyzwania, jak problemy z zarządzaniem danymi, brak informacji na poziomie klienta i trudności w adaptacji.

Firma wdrożyła rozwiązanie do angażowania w kanałach wielu. Połączyło ono sygnały predykcyjne dla angażowania HCP z zaleceniami „najlepszych następnych działań”, które pomogły zespołom zdecydować, jak tempo i jakie działania następcze podjąć. Firma odnotowała czterokrotną poprawę możliwości identyfikacji pacjentów o wysokiej wartości, a także 20% i 36% wzrost nowych rozpoczęć leczenia dla dwóch swoich marek.

Inny przykład dotyczy przeglądów literatury wymaganych do rozwoju leków. Przeprowadzanie tych przeglądów może zajmować miesiące i wymagać głębokiej wiedzy specjalistycznej, starannego planowania, znacznego wysiłku ręcznego i więcej. Mogą one również być trudne do skalowania i podatne na błędy.

Rozwiązania AI mogą zautomatyzować znaczną część przeglądów literatury, od opracowania protokołu do wyszukiwania i selekcji, ekstrakcji danych, analizy i raportowania. Dla każdej pracy, którą podejmuje się rozwiązanie AI, badacze lub inni mogą sprawdzić logikę za każdą decyzją.

Teraz dzięki AI przeglądy, które wcześniej trwały miesiące, mogą być wykonane w ciągu kilku dni i z mniejszą liczbą błędów. W jednym przypadku rozwiązanie AI pomogło dużej firmie farmaceutycznej osiągnąć początkowy ekran dla przypadku użycia przeglądu literatury naukowej siedem razy szybciej niż tradycyjny proces ręczny. To skróciło czas przewidywanego ekranowania z 20 dni do mniej niż trzech dni.

AI tworzy również nowe możliwości w tej dziedzinie. Na przykład pozwoliło firmom na tworzenie „żywych” przeglądów, które mogą być ciągle aktualizowane z najnowszymi opublikowanymi danymi.

Współpraca jest niezbędna

Tworzenie zaufanych rozwiązań AI dla ochrony zdrowia i nauk o życiu wymaga połączenia ekspertyz, których żadna organizacja nie może sama dostarczyć. Dlatego też podobnie myślące firmy współpracują, łącząc wiedzę techniczną i domenową oraz możliwości niezbędne do stworzenia kompletnych, zwalidowanych systemów AI, które mogą skalować się zarówno w przepływach pracy regulowanych, jak i komercyjnych.

Prawidłowy partner techniczny, na przykład, przynosi głęboką wiedzę inżynieryjną i rozległe doświadczenie w wdrażaniu i uruchamianiu AI w skali przedsiębiorstwa. Mogą oni dostarczyć otwarte modele, aby zapewnić przejrzystość, której potrzebuje zaufane AI, oraz składniki oprogramowania, które umożliwiają szybsze budowanie rozwiązań AI. Ich doświadczenie w tworzeniu zaufanych rozwiązań AI dla innych branż może również pomóc im przewidzieć wyzwania i wzmocnić projekty.

Po stronie domeny skuteczny współpracownik przynosi nie tylko głęboką wiedzę na temat rozwoju klinicznego i komercjalizacji, ale także udokumentowaną historię tworzenia zaufanych rozwiązań AI. Posiadają one niezbędne składniki do tworzenia tych rozwiązań, takie jak wiedza z zakresu nauki o danych, wiedza regulacyjna i historia bezpiecznego i odpowiedzialnego korzystania z danych. Mogą oni również zaoferować więcej, aby wspierać wdrożenia AI, od chęci kwestionowania publicznych benchmarków, aby upewnić się, że rozwiązanie AI działa zgodnie z oczekiwaniami, po zasoby takie jak inżynierowie rozmieszczeni na przedpolu, którzy mogą pomóc zintegrować rozwiązania AI z przepływami pracy użytkowników końcowych, biorąc pod uwagę unikalne konfiguracje systemów IT i polityki użytkownika końcowego.

Zmieniając sposób wykonywania pracy

AI nie jest po prostu kolejnym narzędziem dla organizacji ochrony zdrowia i nauk o życiu. Zrobione prawidłowo, zmienia sposób, w jaki wykonywana jest praca i w jaki sposób rozwiązywane są problemy. Zaufane AI w szczególności już udowodniło, że może skracać terminy, poprawiać dokładność i pomagać zespołom w bardziej giętkim radzeniu sobie z złożonymi wyzwaniami, przeobrażając przepływy pracy na erę AI.

Ponieważ AI przechodzi od generowania wglądów do podejmowania decyzji i wykonywania złożonych przepływów pracy, organizacje, które przyjmują tę ewolucję, będą mogły uwolnić nowe modele operacyjne, które sprawią, że staną się bardziej wydajne, poinformowane i bardziej elastyczne w odpowiedzi na szybko zmieniające się wymagania w ochronie zdrowia i nauce o życiu.