Matt Michelson, President för Genesis AI på Genesis Research – Intervju-serie

Matt Michelson är president för Genesis AI på Genesis Research, ett internationellt företag inom HEOR (hälsoekonomi och resultatforskning) och realvärldsevidens med kontor i USA och Storbritannien som stödjer life science-industrin.

Genesis Research är en etablerad ledare inom evidensstrategi, utveckling och kommunikation och stödjer kunder med databasanalyser, strategisk och taktisk hälsoekonomi och resultatforskning, litteraturöversikter, ekonomisk modellering, vetenskapliga publikationer och marknadstillgänglighetsstrategi.

Som experter på utveckling av innovativa tekniska lösningar tillhandahåller de en rad anpassade plattformar, instrumentpaneler, dataportal och en unik artificiell intelligensbaserad översiktsplattform EVID AI, för att stödja identifiering, övervakning och extraktion av exakt riktad evidens.

Kan du dela Genesis Research historia?

År 2009, efter tid i akademin och med en djup kvantitativ 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 datastyrd ansats för att hämta insikter från stora mängder data på ett konsekvent transparent, reproducerbart och högkvalitativt sätt.

Genesis Research byggdes initialt på ett åtagande att tänka utanför boxen för att leverera värdebevisning som stöds av realvärldsevidens. Sedan dess har företagets tjänster utvidgats för att omfatta marknadstillgänglighetsförmåga och strategi, hälsoekonomi och resultatforskning, vetenskaplig kommunikation och avancerade digitala förmågor som den riktade användningen av artificiell intelligens (AI).

Företaget har utvecklats till den ledande internationella organisationen för realvärldsevidens och hälsoekonomi och resultatforskning som vi är idag, eftersom vi lyssnar på våra kunder och använder ett diversifierat, högt kvalificerat team för att möta deras förändrade behov vid varje stadium av produktlivscykeln, med en flexibel “förbättrad partnerskapsmodell” som möjliggör en smidig integration med kundens team.

Hur snabbt ökar publiceringshastigheten?

Det är svårt att fastställa exakt, men uppskattningar varierar mellan 4 och 10% per år, med 1-2 miljoner artiklar som publiceras inom hälsovården varje år. Det är ett stort antal, särskilt om man beräknar att det tar en person fem minuter att läsa en sammanfattning. PubMed (den offentliga versionen av Medline-sökmaskinen för hälsovårdsartiklar) har en samling på över 30 miljoner artiklar.

Varför fungerar inte traditionella metoder för att granska artiklar längre?

Dessa uppgifter handlar om att hitta den evidens som svarar på vetenskapliga frågor. Och det är inte så att manuella metoder inte kan göra detta. Snarare, eftersom processen är så mödosam, innebär det att uppgiften inte är så flexibel. Ingen vill gå igenom besväret att göra allt igen om något förändras, och man kan inte söka så många källor som man vill, med tanke på den stora tidsinvesteringen. Och människor kan ibland missa artiklar eftersom det är svårt att koncentrera sig efter att ha läst flera hundra artiklar. I kontrast, en tränad maskin tröttnar aldrig, och effektivitetsvinster innebär att AI-baserade metoder är mer flexibla, eftersom man kan köra nästa sökning och man kan göra så många som man behöver.

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

EVID AI är den enda medicinska litteraturdatabasen som använder maskinlärning för att producera över 80 miljoner datapunkter – från prekliniska, kliniska, ekonomiska, epidemiologiska, patientrapporterade resultat och granskningsfokusområden – och tillåter användare att filtrera sökresultat till den mest relevanta, aktuella informationen som behövs för ytterligare analys. Det är den enda plattformen som kan omvandla data som är inbäddade i flera artiklar till strukturerade tabeller som presenterar relevanta, begärda datapunkter i ett tydligt format. Denna patenterade metod destillerar evidens till användbar data, så att forskare kan utveckla grafer och instrumentpaneler för att dela med intressenter utan att behöva läsa en stor mängd artiklar.

Genesis Research har nyligen gjort förbättringar av EVID AI – som nu är världens största aktiva medicinska litteraturforskningsplattform – som hjälper läkemedelsföretag och andra hälso- och sjukvårdsbeslutsfattare att hitta högkvalitativa, riktade resultat snabbare, mer effektivt och från en utanför jämförelse stor bredd av källor.

Med hjälp av EVID AI kan medicinska litteratursökningar nu utföras 59 gånger snabbare än manuella insatser, med betydligt mer relevant evidens per sökning och 15 gånger färre irrelevanta artiklar. Den patenterade maskinlärningsformatet, programmerat genom exponering för tiotusentals träningsdata, 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 den tillåter forskare och myndigheter 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 vad den gör. Till exempel, om den tar en artikel och bryter ut alla resultaten från texten, kan den inte nödvändigtvis berätta varför den valde dessa fraser och resultat, den kan bara visa dem för dig. Men vi lägger tonvikt på att vara transparenta och tillhandahålla datahärkomst (t.ex. visa var det kommer ifrån), så att användare alltid kan spåra ett resultat tillbaka till meningen det kom från, artikeln som innehåller den meningen och sedan den ursprungliga platsen för artikeln. Detta innebär att det alltid finns ett sätt att spåra resultat tillbaka till deras källa. Utöver att tillhandahålla bättre vetenskap, är detta viktigt för myndigheter, eftersom om ett läkemedelsföretag gör ett påstående baserat på evidens från vår AI, kan myndigheten verifiera att data är korrekt och källan är giltig.

Kan du dela ett användningsfall eller en fallstudie av forskare som använder EVID AI?

Absolut. Det finns många att välja mellan, 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 hade vi ett läkemedelsföretag som anlitade ett team för att göra en litteraturöversiktsuppdatering för onkologi. Detta är ett stort företag eftersom det specifika området inom onkologi är stort, litteraturen ändras snabbt och projektets omfattning är stor. Den ursprungliga översikten inkluderade en analys av landskapet (t.ex. alla huvudläkemedel) och deras resultat i termer av hur effektiva de är, hur säkra de är och de ekonomiska effekterna. Den inkluderade inte bara kliniska prövningsrapporter, utan också artiklar om observationsstudier, där forskare spårar prestationen av ett läkemedel som ordineras i “verkliga världen” istället för bara i en kontrollerad, prövningsmiljö.

EVID AI hjälpte detta företag att samla alla nya och uppdaterade resultat för denna litteraturuppgift, med enorma besparingar. I kontrast hade vi ett exempel där en forskare hade byggt en ekonomisk modell av kostnaderna förknippade med att byta mellan olika läkemedel för mental hälsa, så kallade “budgetpåverkansmodeller”. Utmaningen är att hämta bra uppskattningar av hur ofta sådana patienter byter läkemedel. När forskaren initialt byggde modellen, tillbringade han en hel dag med att scanna 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 mänsklig och AI-samarbete inom medicinsk forskning?

När den medicinska forskningen blir mer och mer bekväm med AI, kommer den att genomsyra områden från läkemedelsupptäckt till klinisk prövningstilldelning, dataanalys och ersättning. Varje aspekt av utvecklingen av nya terapier kommer att dra nytta av AI, och resultaten kommer att integreras i arbetsflödet. Snarare än att förlita sig på separata verktyg som kräver kontextväxling från en bänkforskning till en AI-uppgift, kommer det att bli lika intuitivt som att använda GPS för att komma till en ny restaurang. Det kommer inte ens att finnas en andra tanke. Men, särskilt inom läkemedelsindustrin, kommer vi fortfarande att behöva högt erfarna personer, som teamen på Genesis Research, för att bestämma relevansen av data och initiera ytterligare analys för att underlätta beslutsfattande.

Finns det något annat du vill dela om Genesis Research?

Genesis Research snabba tillväxt beror på dess förmåga att ta sig an nya utmaningar, ställa rätt frågor, samla rätt team för att få tillgång till och analysera rätt data och leverera lösningar som driver life science-initiativ framåt. En innovatör inom utveckling av RWE-baserade lösningar, är företaget helt dataagnostiskt och arbetar nära med kunder 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.