Мэтт Михельсон, президент Genesis AI в Genesis Research – Интервью-серия

Мэтт Михельсон является президентом Genesis AI в Genesis Research, международной организации по исследованию экономики и результатов здравоохранения (HEOR) и реального мира, имеющей офисы в США и Великобритании и поддерживающей отрасль жизни.

Установленный лидер в области стратегии доказательств, разработки и коммуникации, они поддерживают клиентов с помощью анализа баз данных, стратегических и тактических исследований экономики и результатов здравоохранения, обзоров литературы, экономического моделирования, научных публикаций и стратегии доступа на рынок.

Как эксперты в разработке инновационных технологических решений, они предоставляют ряд индивидуальных платформ, панелей, порталов данных и уникальной платформы искусственного интеллекта EVID AI, чтобы поддержать выявление, мониторинг и извлечение точно нацеленных доказательств.

Можете ли вы рассказать историю Genesis Research?

В 2009 году, после работы в академии и использования глубокого количественного опыта, наш генеральный директор Фрэнк Корвино и его деловой партнер, клиницист и экономист здравоохранения, объединили свои знания, чтобы разработать новую бизнес-модель, которая поддерживает компании жизненных наук более данными, получая информацию из больших данных последовательным, прозрачным, воспроизводимым и высокопрофессиональным способом.

Genesis Research изначально была построена на основе обязательства думать нестандартно, чтобы продемонстрировать ценность, подтвержденную доказательствами из реального мира. С тех пор услуги компании расширились и включили в себя возможности доступа на рынок и стратегию, исследования экономики и результатов здравоохранения (HEOR), научную коммуникацию и передовые цифровые возможности, такие как целевое использование искусственного интеллекта (ИИ).

Компания развилась в ведущую международную организацию по исследованию реального мира и HEOR, которую мы являемся сегодня, потому что мы слушаем наших клиентов и используем разнообразную, высококвалифицированную команду, чтобы удовлетворить их меняющиеся потребности на любой стадии жизненного цикла продукта, используя гибкую “усиленную модель партнерства”, которая позволяет нам работать безупречно как расширение команды клиента.

Огромное количество статей публикуется каждый год. Можете ли вы обсудить, как быстро ускоряется темп публикаций?

Трудно точно указать, но оценки варьируются от 4 до 10% увеличения каждый год, с 1-2 миллионами статей, в настоящее время публикуемых в области здравоохранения каждый год. Это огромное количество, особенно если учесть, что на чтение одного абстракта уходит пять минут. PubMed сама по себе (публичная версия поисковика научных статей Medline) имеет коллекцию более 30 миллионов статей.

Почему традиционные методы обзора статей больше не работают?

Эти задачи сводятся к процессу поиска доказательств, в частности статей, которые отвечают на ваши научные вопросы. И это не то, что ручные методы не могут сделать это. Скорее, потому что процесс так трудоемок, он означает, что задача не так гибка. Никто не хочет тратить силы на повторение всего, если что-то изменится, и вы не можете искать столько источников, сколько хотите, учитывая огромные временные инвестиции. И люди иногда пропускают статьи, поскольку трудно концентрироваться после прочтения нескольких сотен статей. Напротив, обученная машина никогда не устает, и выигрыши в эффективности означают, что подходы на основе ИИ более гибкие, поскольку вы можете просто запустить следующий поиск, и вы можете сделать столько, сколько нужно.

Что такое EVID AI и как оно упрощает процесс для медицинских исследователей, чтобы выявить и изучить огромное количество исследований?

EVID AI – это единственная база данных медицинской литературы, которая использует машинное обучение для производства более 80 миллионов точек данных – от доклинических, клинических, экономических, эпидемиологических, результатов, сообщенных пациентами, и фокус-областей обзора – и позволяет пользователям фильтровать результаты поиска до наиболее актуальной, необходимой информации для дальнейшего анализа. Это единственная платформа, которая имеет возможность превратить данные, встроенные в несколько статей, в структурированные таблицы, которые представляют актуальные, запрошенные точки данных в ясном формате. Этот запатентованый подход очищает доказательства в пригодные для использования данные, так что исследователи могут более легко разрабатывать графики и панели, чтобы поделиться ими с заинтересованными сторонами, не читая большого объема статей.

Genesis Research недавно внесла улучшения в EVID AI – которая теперь является крупнейшей в мире текущей платформой медицинских исследований – чтобы помочь фармацевтическим командам и другим медицинским лицам, принимающим решения, найти высококачественные, целевые результаты быстрее, более эффективно и из беспрецедентного разнообразия источников.

Используя EVID AI, задачи поиска медицинской литературы теперь могут быть выполнены в 59 раз быстрее, чем ручные усилия, с значительно более актуальными доказательствами на поиск и 15 раз меньше нерелевантных статей. Запатентованная формат машинного обучения, запрограммированная через экспозицию десятков тысяч точек данных обучения, быстрее и более всесторонняя, чем когда-либо, и сократит время исследования с месяцев до недель или дней.

Одним из преимуществ EVID AI является то, что оно позволяет исследователям и государственным регулирующим органам отслеживать данные ИИ до их источника. Почему это важно и как это работает?

Ключевым вопросом с многими системами ИИ является то, что они непрозрачны – иногда называемые “черными ящиками”. И это правда в том смысле, что мы не всегда понимаем, почему ИИ делает то, что делает. Например, если он берет статью и выделяет все результаты из текста, он не может обязательно сказать вам, почему он выбрал эти фразы и результаты, он может просто показать их вам. Однако мы делаем упор на прозрачность и предоставление происхождения данных (например, показывая вам, откуда они взяты), так что пользователи всегда могут отслеживать результат до предложения, из которого он был взят, статьи, содержащей это предложение, и затем исходного местоположения статьи. Таким образом, всегда есть механизм, чтобы отслеживать результаты до их источника. Кроме того, это важно для регулирующих органов, поскольку если фармацевтическая компания делает заявление, основанное на доказательствах из нашего ИИ, регулирующий орган может проверить, что данные правильны и источник действителен.

Можете ли вы поделиться случаем или исследованием исследователей, использующих EVID AI?

Определенно. Существует много примеров, но вот два, которые полезны, поскольку они показывают, как инструмент можно использовать как для крупных, бюджетированных проектов, так и для ежедневных, ад-хок задач. В первом случае у нас была фармацевтическая компания, которая наняла команду для обновления обзора литературы по онкологии. Это большое начинание, потому что конкретная область онкологии велика, литература меняется быстро, и объем проекта большой. Оригинальный обзор включал анализ ландшафта (т.е. всех основных препаратов) и их результатов в плане эффективности, безопасности и экономического воздействия. Он включал не только отчеты клинических испытаний, но и статьи об наблюдательных исследованиях, где ученые отслеживают производительность препарата, назначенного в “реальном мире”, а не только в контролируемой среде испытаний.

EVID AI помог этой компании собрать все новые и обновленные результаты для этой литературной задачи, с огромными экономиями. Напротив, у нас был пример, где ученый построил экономическую модель затрат, связанных с переключением между различными препаратами для психического здоровья, называемыми “моделями воздействия на бюджет”. Вызов заключается в том, чтобы извлечь хорошие оценки того, как часто такие пациенты переключаются на другие препараты. Когда ученый изначально построил модель, он потратил целый день на просмотр статей, чтобы найти желаемый результат. С помощью EVID AI он нашел его за несколько минут.

Каково ваше видение будущего сотрудничества человека и ИИ в медицинских исследованиях?

По мере того, как медицинские исследования становятся все более комфортными с ИИ, он проникнет в области от открытия препаратов до набора клинических испытаний, анализа данных и возмещения. Каждый аспект разработки новых терапий будет извлекать выгоду из ИИ, и результаты будут встроены в рабочий процесс. Вместо того, чтобы полагаться на отдельные инструменты, которые требуют переключения контекста с задачи лабораторной науки на задачу ИИ, это станет так же интуитивно, как использование GPS, чтобы добраться до нового ресторана. Даже не будет второй мысли. Однако, особенно в фармацевтической отрасли, нам все еще понадобятся высококвалифицированные люди, такие как команды Genesis Research, чтобы определить актуальность данных и инициировать дальнейший анализ, чтобы помочь в принятии решений.

Есть ли что-то еще, что вы хотели бы поделиться о Genesis Research?

Genesis Research быстро растет благодаря своей способности браться за новые вызовы, задавать правильные вопросы, собирать правильные команды, чтобы получить доступ и проанализировать правильные данные, и предоставлять решения, которые продвигают инициативы жизненных наук вперед. Инноватор в разработке решений на основе реального мира, компания полностью агностична к данным и работает в тесном сотрудничестве с клиентами, чтобы выявить оптимальные источники данных. Мы гордимся тем, что являемся установленным лидером в области стратегии доказательств, разработки и коммуникации, а также экспертами в разработке инновационных технологических решений.