Matt Michelson, VD för Genesis AI på Genesis Research – Intervju Series

Matt Michelson, är president för Genesis AI på Genesis Research, en internationell forskningsorganisation för HEOR och Real-World Evidence med kontor i USA och Storbritannien som stödjer life science-industrin.

En etablerad ledare inom evidensstrategi, utveckling och kommunikation, de stödjer klienter med databasanalyser, strategisk och taktisk hälsoekonomi och resultatforskning, litteraturöversikter, ekonomisk modellering, vetenskapliga publikationer och marknadstillträdesstrategi.

Som experter på utvecklingen av innovativa tekniska lösningar tillhandahåller de en rad skräddarsydda plattformar, instrumentpaneler, dataportaler och en unik granskningsplattform EVID AI med hjälp av artificiell intelligens, för att stödja identifiering, övervakning och utvinning av exakt riktade bevis.

Skulle du kunna dela med dig av uppkomstberättelsen bakom Genesis Research?

År 2009, efter en tid i akademin och med sin djupa kvantitativa bakgrund, kombinerade vår VD Frank Corvino och hans affärspartner, en kliniker och hälsoekonom, sin expertis för att utveckla en ny affärsmodell som stödde life science-företag med en mer datadriven insamling insikter från big data på konsekvent transparenta, reproducerbara och mycket skickliga sätt.

Genesis Research byggde ursprungligen på ett åtagande att tänka utanför ramarna för att leverera värdedemonstration med stöd av Real-World Evidence (RWE). Sedan dess har företagets tjänster utökats till att inkludera möjligheter och strategi för marknadsåtkomst, hälsoekonomi och resultatforskning (HEOR), vetenskaplig kommunikation och avancerade digitala möjligheter såsom ändamålsenlig användning av artificiell intelligens (AI).

Företaget utvecklades till den ledande internationella RWE- och HEOR-organisationen vi är idag eftersom vi lyssnar på våra kunder och sedan använder ett mångsidigt, högkvalificerat team för att möta deras föränderliga behov i alla skeden av produktens livscykel, genom att använda en flexibel "förbättrad partnerskapsmodell". ” som gör att vi kan fungera sömlöst som en förlängning av en kunds team.

Stora volymer av tidningar publiceras varje år. Kan du diskutera hur snabbt publiceringstakten ökar?

Det är svårt att sätta fingret på exakt, men uppskattningar sträcker sig från en ökning med 4 till 10 % varje år, med 1-2 miljoner artiklar som för närvarande publiceras inom hälso- och sjukvården per år. Det är ett enormt antal, särskilt om du uppskattar att det tar en person fem minuter att läsa ett sammandrag. PubMed själv (den offentliga versionen av Medline Healthcares papperssökmotor) har en samling på mer än 30 miljoner artiklar.

Varför fungerar inte längre traditionella sätt att granska papper?

Dessa uppgifter kokar ner till processen att hitta bevis, särskilt artiklar, som svarar på dina vetenskapliga frågor. Och det är inte så att manuella metoder inte kan göra detta. Snarare, eftersom processen är så betungande, betyder det att uppgiften inte är lika flexibel. Ingen vill gå igenom mödan för att göra allt igen om något förändras, och du kan inte söka så många källor som du kanske vill, med tanke på den enorma tidsinvesteringen. Och ibland missar folk artiklar eftersom det är svårt att koncentrera sig efter att ha läst några hundra tidningar. Däremot tröttnar en utbildad maskin aldrig, och effektivitetsvinsterna gör att AI-baserade tillvägagångssätt är mer flexibla, eftersom du bara kan köra nästa sökning och du kan göra så många du behöver.

Vad är EVID AI och hur förenklar det processen för medicinska forskare att identifiera och kamma igenom stora mängder forskning?

EVID AI är den enda medicinska litteraturdatabasen som använder maskininlärning för att producera mer än 80 miljoner datapunkter ─ från prekliniska, kliniska, ekonomiska, epidemiologiska, patientrapporterade resultat och granska fokusområden ─ och tillåter användare att filtrera sökresultaten till de mest relevant, aktuell information som behövs för ytterligare analys. Det är den enda plattformen med förmågan att omvandla data inbäddad i flera artiklar till strukturerade tabeller som presenterar relevanta, begärda datapunkter i ett tydligt format. Detta patenterade tillvägagångssätt destillerar bevis till användbar data, så att forskare lättare kan utveckla grafer och instrumentpaneler för att dela med intressenter utan att behöva läsa en stor volym av uppsatser.

Genesis Research gjorde nyligen förbättringar av EVID AI – som nu är världens största aktuella forskningsplattform för medicinsk litteratur – som hjälper läkemedelsteam och andra beslutsfattare inom sjukvården att hitta högkvalitativa, riktade resultat snabbare, mer effektivt och från en aldrig tidigare skådad bredd av källor.

Använda EVID AI, medicinsk litteratursökning kan nu göras 59 gånger snabbare än manuella insatser, med betydligt mer relevant bevis per sökning och 15 gånger färre irrelevanta artiklar. Det patenterade maskininlärningsformatet, programmerat genom exponering för tiotusentals träningsdatapunkter, är snabbare och mer omfattande än någonsin och kommer att minska forskningstiden från månader till veckor eller dagar.

En fördel med EVID AI är att det tillåter forskare och statliga tillsynsmyndigheter att spåra AI-data tillbaka till dess källa. Varför är detta viktigt och hur fungerar det?

En nyckelfråga med många AI-system är att de är ogenomskinliga – ibland kallade "svarta lådor". Och detta är sant i den meningen att vi inte alltid förstår varför AI gör som den gör. Till exempel, om den tar en artikel och bryter ut alla resultat från texten, kan den inte nödvändigtvis berätta exakt varför den valde dessa fraser och resultat, den kan bara visa dem för dig. Vi lägger dock tonvikt på att vara transparenta och tillhandahålla datauppkomst (t.ex. visa dig var den kommer ifrån), så att användare alltid kan spåra ett resultat tillbaka till meningen det kom ifrån, artikeln som innehåller den meningen och sedan artikelns ursprungliga plats. På så sätt finns det alltid en mekanism för att spåra resultat tillbaka till källan. Förutom att ge bättre vetenskap är detta viktigt för tillsynsmyndigheter, eftersom om ett läkemedelsföretag gör ett påstående baserat på bevis från vår AI, kan tillsynsmyndigheten verifiera att uppgifterna är korrekta och att källan är giltig.

Skulle du kunna dela ett användningsfall eller fallstudie av forskare som använder EVID AI?

Absolut. Det finns många att välja på, men här är två som är användbara, eftersom de visar hur verktyget kan användas för både större, budgeterade projekt och dagliga, ad hoc-uppgifter. I det första fallet lät vi ett läkemedelsföretag anlita ett team för att göra en litteraturgranskning för onkologi. Detta är ett stort åtagande eftersom det specifika området inom onkologi är stort, litteraturen förändras snabbt och projektets omfattning är stor. Den ursprungliga granskningen inkluderade en analys av landskapet (t.ex. alla de viktigaste drogerna) och deras resultat i termer av hur effektiva de är, hur säkra de är och de ekonomiska konsekvenserna. Den inkluderade inte bara rapporter om kliniska prövningar, utan också artiklar om observationsstudier, där forskare spårar prestandan för ett läkemedel som ordinerats i den "verkliga världen" istället för bara i en kontrollerad prövningsmiljö.

EVID AI hjälpte detta företag att samla in alla nya och uppdaterade resultat för denna litteraturuppgift, med enorma besparingar. Däremot hade vi ett exempel där en forskare hade byggt en ekonomisk modell av kostnaderna för att byta mellan olika psykiatriska läkemedel som kallas "budgeteffektmodeller". Utmaningen är att göra bra uppskattningar av hur ofta sådana patienter byter läkemedel. När forskaren ursprungligen byggde modellen tillbringade han en hel dag med att skanna artiklar för att hitta det resultat han ville ha. Med EVID AI hittade han det på några minuter.

Vad är din syn på framtiden för människans och AI:s samarbete inom medicinsk forskning?

När medicinsk forskning blir mer och mer bekväm med AI kommer den att genomsyra områden från läkemedelsupptäckt till rekrytering av kliniska prövningar till dataanalys och ersättning. Varje aspekt av utvecklingen av nya terapier kommer att dra nytta av AI, och resultaten kommer att bäddas in i arbetsflödet. Istället för att förlita sig på separata verktyg som kräver kontextväxling från en bänkvetenskaplig uppgift till en AI-uppgift, kommer det att bli lika intuitivt som att använda GPS för att komma till en ny restaurang. Det blir inte ens en tanke. Men, särskilt inom läkemedelsindustrin, kommer vi fortfarande att behöva mycket erfarna personer, som teamen på Genesis Research, för att fastställa relevansen av data och initiera ytterligare analyser för att underlätta beslutsfattandet.

Finns det något mer du skulle vilja dela med dig av om Genesis Research?

Genesis Research's snabb tillväxt beror på dess förmåga att anta nya utmaningar, ställa rätt frågor, sammanställa rätt team för att få tillgång till och analysera rätt data och leverera lösningar som för biovetenskapliga initiativ framåt. Företaget är en innovatör när det gäller att utveckla RWE-baserade lösningar. Företaget är helt dataagnostiskt och arbetar nära kunderna för att identifiera optimala datakällor. Vi är stolta över att vara en etablerad ledare inom evidensstrategi, utveckling och kommunikation, samt experter på utveckling av innovativa tekniska lösningar.