För att förändra hälso- och livsvetenskapssektorn måste AI vara trovärdig

Artificiell intelligens (AI) införs alltmer i hälso- och livsvetenskapsorganisationer. Men de flesta organisationer använder den i mindre skala snarare än att skala upp den för att förbättra prestandan över hela företaget. Bland utmaningarna är att AI i dessa branscher måste uppfylla de högsta kraven på kvalitet, sekretess och tillförlitlighet, och den måste vara trovärdig.

Stora språkmodellbaserade AI-verktyg är kraftfulla, men de flesta av dessa modeller är inte utformade för att möta kraven inom hälso- och livsvetenskapssektorn. De kan producera inkonsekventa utdata, och deras prestanda kan variera när informationen och sammanhanget ändras. Allmänna AI-verktyg är i synnerhet utbildade på breda, offentliga data – med begränsad medicinsk kurering – och inte byggda för att uppfylla medicinska, vetenskapliga eller regulatoriska krav.

Detta är oacceptabelt i verksamheter där besluten har inte bara ekonomiska utan också kliniska, vetenskapliga, juridiska och slutligen mänskliga konsekvenser.

Slutsatsen är att en högre standard för AI behövs.

Om hälso- och livsvetenskapsorganisationer vill använda AI för att förändra sin kommersiella och reglerade verksamhet, behöver de AI som är trovärdig.

Vad som behövs för att skapa trovärdig AI

Trovärdig AI producerar tillförlitliga resultat, presterar konsekvent när data förändras och är förenlig och försvarbar.

Detta kräver både vetenskaplig och teknisk expertis, samt en rigorös ansats som beaktar varje aspekt av ansvarsfull AI-design, användning och övervakning. Vad ser detta ut som i praktiken?

Det första steget är att förstå det slutliga målet: Vad är den slutliga användarens krav som AI-lösningen måste tillgodose, och vad ser framgång ut som? Detta innebär att förstå de roller som de som kommer att använda AI-lösningen har, deras behov och arbetsflöden, samt antingen de kommersiella mål de vill uppnå eller de regulatoriska krav de måste följa.

Dessa detaljer kommer att hjälpa till att informera viktiga tekniska beslut, såsom att välja rätt modeller för AI-lösningen, designa valideringsramverk och etablera de mått som lösningen kommer att mätas mot.

Trovärdiga system beaktar också experter i processen från början av designprocessen, inte som en eftertanke. Detta innebär att använda mänskliga experter – inklusive kliniska, vetenskapliga, regulatoriska och kommersiella experter – för att säkerställa att AI-lösningen är utformad och distribuerad korrekt och för att överväga hur lösningen kommer att påverka en slutanvändares arbete.

Naturligtvis är förtroende inte bara något som vinner vid designstadiet – det måste också upprätthållas under hela AI-lösningens livscykel. Mekanismer som AI-datahjul eller lärande loopar som kontinuerligt uppdaterar modeller med nya data för att hålla dem aktuella, hjälper AI-lösningar att förbli relevanta, precisa och trovärdiga. Förstärkt inlärning och skyddsräcken som programmeras in i AI-lösningar kan också hjälpa till att hålla deras prestanda på rätt spår inom ett definierat regelverk.

Verkliga tillämpningar

AI används redan och har en positiv inverkan i verkliga tillämpningar för några av världens största livsvetenskapsföretag.

I ett fall sökte ett ledande läkemedelsföretag att förbättra hur de engagerade sig med hälso- och sjukvårdspersonal (HCP) över flera varumärken och marknader. Företagets förmåga att engagera HCP och optimera marknadsstrategier hindrades av utmaningar som datahanteringsproblem, brist på kundspecifika insikter och anpassningssvårigheter.

Företaget implementerade en lösning för engagemang i alla kanaler. Den kombinerade prediktiva signaler för HCP-engagemang med “nästa bästa åtgärd”-rekommendationer som hjälpte team att bestämma hur de skulle hantera utrullningen och vilka uppföljningsåtgärder de skulle vidta. Företaget såg en fyrfaldig förbättring av sin förmåga att identifiera högvärdespatienter, tillsammans med 20% och 36% ökning av nya patientinitieringar för två av sina varumärken.

Ett annat exempel är litteraturgranskningar som krävs för läkemedelsutveckling. Att genomföra dessa granskningar kan ta månader och kräva djup domänexpertis, noggrann planering, betydande manuell ansträngning och mer. De kan också vara svåra att skala och känsliga för fel.

AI-lösningar kan automatisera stora delar av litteraturgranskningar, från protokollutveckling till sökning och screening, dataextraktion och analys och rapportering. För allt arbete som AI-lösningen tar på sig kan forskare eller andra granska logiken bakom varje beslut.

Med AI kan granskningar som tidigare tog månader nu slutföras på bara några dagar och med färre fel. I ett fall hjälpte en AI-lösning ett stort läkemedelsföretag att uppnå en initial screening för en vetenskaplig litteraturgranskningsfall på sju gånger snabbare än den traditionella manuella processen. Detta förkortade den beräknade screeningtiden från 20 dagar till mindre än tre dagar.

AI skapar också nya möjligheter inom detta område. Till exempel har det möjliggjort för företag att skapa “levande” granskningar som kan uppdateras kontinuerligt med de senaste publicerade data.

Samarbete är avgörande

Att skapa trovärdiga AI-lösningar för hälso- och livsvetenskapssektorn kräver en kombination av expertis som ingen enskild organisation kan tillhandahålla på egen hand. Därför samarbetar likasinnade företag, som kombinerar den tekniska och domänrelaterade expertisen och kapaciteten som behövs för att skapa kompletta, validerade AI-system som kan skalas över både reglerade och kommersiella arbetsflöden.

Den rätta tekniska parten, till exempel, bringar ingenjörsmässig djup och omfattande erfarenhet för att distribuera och köra AI i företagsskala. De kan leverera öppna modeller för att tillhandahålla den transparens som trovärdig AI behöver och programvarukomponenter som möjliggör snabbare AI-lösningsbyggnad. Och deras erfarenhet av att skapa trovärdiga företags AI-lösningar för andra branscher kan hjälpa dem att förutse utmaningar och stärka designen.

På domänsidan bringar en effektiv samarbetspartner inte bara djup klinisk utvecklings- och kommersiell expertis, utan också en bevisad spårrekord av att utveckla trovärdiga AI-lösningar. De har de väsentliga ingredienserna som behövs för att skapa dessa lösningar, som data science-expertis, regulatorisk kunskap och en historia av säker och ansvarsfull dataanvändning. Men de kan också erbjuda mer för att stödja AI-distributioner, från en vilja att utmana offentliga benchmark till att säkerställa att en AI-lösning fungerar som förväntat, till resurser som framförskjutna ingenjörer som kan hjälpa till att integrera AI-lösningar i slutanvändarnas arbetsflöden, med hänsyn till slutanvändarens unika IT-systemkonfigurationer och policys.

Att förändra hur arbetet utförs

AI är inte bara ett verktyg för hälso- och livsvetenskapsorganisationer. Om det görs rätt, förändrar det hur arbetet utförs och hur problem löses. Trovärdig AI, i synnerhet, har redan visat att den kan förkorta tider, förbättra precisionen och hjälpa team att mer smidigt hantera komplexa utmaningar, omdefiniera arbetsflöden för AI-eran.

Såsom AI övergår från att generera insikter till att fatta beslut och utföra komplexa arbetsflöden, kommer organisationer som omfamnar denna utveckling att kunna frigöra nya driftsmodeller som gör dem mer effektiva, mer informerade och mer responsiva på snabbt föränderliga krav inom hälso- och livsvetenskapssektorn.