Matt Michelson, ประธานของ Genesis AI ที่ Genesis Research – สัมภาษณ์ซีรีส์

Matt Michelson เป็นประธานของ Genesis AI ที่ Genesis Research ซึ่งเป็นองค์กรวิจัย HEOR และ Real-World Evidence ระหว่างประเทศที่มีสำนักงานใน US และ UK ซึ่งให้การสนับสนุนอุตสาหกรรมชีววิทยาศาสตร์

เป็นผู้นำที่มีประสบการณ์ในด้านกลยุทธ์หลักฐาน การพัฒนา และการสื่อสาร โดยให้การสนับสนุนลูกค้าด้วยการวิเคราะห์ฐานข้อมูล การวิจัยเศรษฐศาสตร์และผลลัพธ์สุขภาพเชิงกลยุทธ์และยุทธวิธี การทบทวนเอกสาร การสร้างแบบจำลองเศรษฐกิจ และกลยุทธ์การเข้าถึงตลาด

เป็นผู้เชี่ยวชาญในการพัฒนาวิธีแก้ปัญหาเทคโนโลยีที่เป็นนวัตกรรม โดยให้บริการแพลตฟอร์มที่ปรับแต่งได้ แดชบอร์ด พอร์ทัลข้อมูล และแพลตฟอร์มการตรวจสอบหลักฐานที่ใช้ปัญญาประดิษฐ์ EVID AI เพื่อช่วยในการระบุ การติดตาม และการดึงข้อมูลหลักฐานที่มุ่งเน้น

คุณสามารถแบ่งปันเรื่องราวของ Genesis Research ได้หรือไม่?

ในปี 2009 หลังจากใช้เวลาในมหาวิทยาลัยและใช้ประสบการณ์เชิงปริมาณที่ลึกซึ้ง ของเรา CEO Frank Corvino และหุ้นส่วนของเขา ซึ่งเป็นแพทย์และนักเศรษฐศาสตร์สุขภาพ ได้รวมทักษะของพวกเขาเพื่อพัฒนาโมเดลธุรกิจใหม่ที่ให้การสนับสนุนบริษัทชีววิทยาศาสตร์ด้วยวิธีการที่ขับเคลื่อนด้วยข้อมูลมากขึ้น โดยการดึงข้อมูลเชิงลึกจากข้อมูลขนาดใหญ่ในลักษณะที่โปร่งใส ที่สามารถทำซ้ำได้ และมีประสิทธิภาพสูง

Genesis Research ถูกสร้างขึ้นโดยมีจุดมุ่งหมายในการคิดนอกกรอบในการส่งมอบการแสดงคุณค่าที่ได้รับการสนับสนุนจากหลักฐานจากโลกแห่งความเป็นจริง (RWE) ตั้งแต่นั้นมา บริการของบริษัทได้ขยายออกไปเพื่อรวมถึงความสามารถในการเข้าถึงตลาดและการวางกลยุทธ์ การวิจัยเศรษฐศาสตร์และผลลัพธ์สุขภาพ (HEOR) การสื่อสารทางวิทยาศาสตร์ และความสามารถดิจิทัลที่ซับซ้อน เช่น การใช้ปัญญาประดิษฐ์ (AI) ในรูปแบบที่เหมาะสม

บริษัทได้พัฒนาเป็นองค์กร RWE และ HEOR ระหว่างประเทศชั้นนำที่เราเป็นอยู่ในปัจจุบัน เนื่องจากเราได้ฟังลูกค้าของเราและใช้ทีมที่มีทักษะสูงและหลากหลายเพื่อตอบสนองความต้องการที่เปลี่ยนแปลงของพวกเขาใน mọiขั้นตอนของวงจรชีวิตผลิตภัณฑ์ โดยใช้แบบจำลอง “การร่วมมือที่เพิ่มขึ้น” ที่ช่วยให้เราสามารถทำงานร่วมกับลูกค้าได้อย่างราบรื่น

ปริมาณการเผยแพร่บทความมีการเพิ่มขึ้นอย่างรวดเร็ว คุณสามารถพูดถึงเรื่องนี้ได้หรือไม่?

มีการประมาณการว่าการเผยแพร่บทความเพิ่มขึ้น 4-10% ทุกปี โดยมีบทความเกี่ยวกับสุขภาพประมาณ 1-2 ล้านบทความที่เผยแพร่ทุกปี ซึ่งเป็นตัวเลขที่มาก โดยเฉพาะอย่างยิ่งหากคุณคำนึงว่ามันใช้เวลาประมาณ 5 นาทีในการอ่านบทคัดย่อของบทความหนึ่งๆ ฐานข้อมูล PubMed มีบทความมากกว่า 30 ล้านบทความ

ทำไมวิธีการทั่วไปในการทบทวนบทความจึงไม่ทำงานอีกต่อไป?

งานเหล่านี้เกี่ยวข้องกับการค้นหาบทความที่ตอบคำถามทางวิทยาศาสตร์ของคุณ และไม่ใช่ว่าไม่สามารถทำได้ด้วยวิธีการด้วยมือ แต่เนื่องจากกระบวนการนี้มีความซับซ้อนและไม่ยืดหยุ่น ทำให้ไม่สามารถทำซ้ำได้ง่ายๆ หากสิ่งใดเปลี่ยนแปลงไป และคุณไม่สามารถค้นหาทรัพยากรได้มากเท่าที่คุณต้องการเนื่องจากการลงทุนเวลาที่มาก และคุณอาจพลาดบทความบาง篇เนื่องจากความยากในการมุ่งเน้นหลังจากอ่านหลายร้อยบทความ ในทางกลับกัน เครื่องจักรที่ได้รับการฝึกอบรมไม่เหนื่อย และความได้เปรียบด้านประสิทธิภาพทำให้แนวทางที่ใช้ AI มีความยืดหยุ่นมากกว่า

คุณสามารถอธิบาย EVID AI และวิธีการที่มันทำให้กระบวนการสำหรับนักวิจัยทางการแพทย์ในการระบุและค้นหาผลการวิจัยที่มีจำนวนมากได้หรือไม่?

EVID AI เป็นฐานข้อมูลวรรณกรรมทางการแพทย์เดียวที่ใช้การเรียนรู้ของเครื่องจักรเพื่อสร้างข้อมูลมากกว่า 80 ล้านจุด — จากก่อนการแพทย์ การแพทย์ทางคลินิก เศรษฐกิจ พยากรณ์โรค และพื้นที่การวิจัยอื่นๆ — และช่วยให้ผู้ใช้สามารถกรองผลลัพธ์ตามข้อมูลที่เกี่ยวข้องและเป็นปัจจุบันที่สุดสำหรับการวิเคราะห์ต่อไป นอกจากนี้ยังเป็นแพลตฟอร์มเดียวที่สามารถเปลี่ยนข้อมูลที่ฝังอยู่ในหลายบทความให้เป็นตารางที่มีโครงสร้างที่ชัดเจน โดยนำเสนอข้อมูลที่เกี่ยวข้องและร้องขอในลักษณะที่ชัดเจน วิธีการที่ได้รับการจดสิทธิบัตรนี้ทำให้หลักฐานกลายเป็นข้อมูลที่ใช้ได้จริง เพื่อให้นักวิจัยสามารถสร้างกราฟและแดชบอร์ดเพื่อแบ่งปันกับผู้มีส่วนได้ส่วนเสียโดยไม่ต้องอ่านจำนวนมากของบทความ

Genesis Research ได้ปรับปรุง EVID AI ซึ่งเป็นแพลตฟอร์มการวิจัยวรรณกรรมทางการแพทย์ที่ใหญ่ที่สุดในโลก — เพื่อช่วยให้ทีมเภสัชกรรมและผู้ตัดสินใจด้านสุขภาพอื่นๆ ค้นหาผลลัพธ์ที่มีคุณภาพสูงและเป็นเป้าหมายได้อย่างรวดเร็วและมีประสิทธิภาพมากขึ้นจากแหล่งที่มาที่ไม่เคยเห็นมาก่อน

โดยใช้ EVID AI งานค้นหาวรรณกรรมทางการแพทย์สามารถทำได้เร็วกว่าการพยายามด้วยมือถึง 59 เท่า โดยมีหลักฐานที่เกี่ยวข้องมากขึ้นต่อการค้นหา และมีบทความที่ไม่เกี่ยวข้องน้อยลง 15 เท่า รูปแบบการเรียนรู้ของเครื่องจักรที่ได้รับการจดสิทธิบัตรซึ่งได้รับการฝึกอบรมผ่านการเปิดเผยต่อจุดข้อมูลการฝึกอบรมหลายหมื่นจุด มีความเร็วและครอบคลุมมากกว่าเดิม และจะลดเวลาในการวิจัยจากเดือนเป็นสัปดาห์หรือวัน

คุณสามารถอธิบายถึงความสำคัญของการย้อนกลับข้อมูล AI ไปยังแหล่งที่มาและวิธีการทำงานได้หรือไม่?

ปัญหาหลักของระบบ AI หลายระบบคือการไม่โปร่งใส — บางครั้งเรียกว่า “กล่องดำ” และสิ่งนี้เป็นจริงในแง่ที่ว่าเรามักไม่เข้าใจว่าทำไม AI จึงทำสิ่งที่ทำ เช่น หากมันหยิบบทความหนึ่งและแยกผลลัพธ์ทั้งหมดออกจากข้อความ มันไม่สามารถบอกได้ว่าทำไมมันเลือกคำและผลลัพธ์เหล่านั้น แต่เรามุ่งเน้นไปที่การเป็นโปร่งใสและให้ข้อมูลที่มา (เช่น แสดงให้คุณเห็นว่ามันมาจากไหน) เพื่อให้ผู้ใช้สามารถย้อนกลับผลลัพธ์ไปที่ประโยคที่มาจากนั้น บทความที่มีประโยคนั้น และที่ตั้งเดิมของบทความ

คุณสามารถแบ่งปันกรณีศึกษาหรือกรณีการใช้งานของนักวิจัยที่ใช้ EVID AI ได้หรือไม่?

มีหลายกรณีที่สามารถเลือกได้ แต่สองกรณีนี้มีประโยชน์ เนื่องจากแสดงให้เห็นวิธีการใช้เครื่องมือนี้สำหรับทั้งโครงการขนาดใหญ่ที่มีงบประมาณและงานประจำวันที่ต้องทำอย่างต่อเนื่อง ในกรณีแรก เรามีบริษัทเภสัชกรรมที่จ้างทีมเพื่อทำการอัปเดตการวิจัยวรรณกรรมสำหรับโรคมะเร็ง ซึ่งเป็นโครงการขนาดใหญ่เนื่องจากสาขาเฉพาะในโรคมะเร็งมีขนาดใหญ่ วรรณกรรมเปลี่ยนแปลงอย่างรวดเร็ว และขอบเขตของโครงการมีมาก

EVID AI ช่วยให้บริษัทนี้รวบรวมผลลัพธ์ใหม่และอัปเดตสำหรับงานวิจัยวรรณกรรมนี้ โดยมีการประหยัดที่มาก ในทางกลับกัน เรามีตัวอย่างที่นักวิทยาศาสตร์สร้างแบบจำลองผลกระทบต่องบประมาณของต้นทุนในการเปลี่ยนยาที่ใช้ในการรักษาโรคจิต ซึ่งเป็นเรื่องที่ท้าทายในการดึงข้อมูลที่ดีเกี่ยวกับจำนวนผู้ป่วยที่เปลี่ยนยาที่ใช้ เมื่อนักวิทยาศาสตร์สร้างแบบจำลองนี้ครั้งแรก เขาใช้เวลาทั้งวันในการสแกนบทความเพื่อค้นหาผลลัพธ์ที่ต้องการ แต่ด้วย EVID AI เขาพบมันในเวลาเพียงไม่กี่นาที

คุณมองเห็นอนาคตของการทำงานร่วมกันระหว่างมนุษย์และ AI ในการวิจัยทางการแพทย์อย่างไร?

เมื่อการวิจัยทางการแพทย์กลายเป็นมิตรกับ AI มากขึ้น มันจะแพร่กระจายไปยังพื้นที่ตั้งแต่การค้นพบยาไปจนถึงการสรรหาพร้อมการวิเคราะห์ข้อมูลและการชดเชย ผลลัพธ์จะถูกฝังอยู่ในกระบวนการทำงาน และจะกลายเป็นสิ่งที่ใช้ได้อย่างมีประสิทธิภาพและไม่ต้องคิดมาก เช่น การใช้ GPS ในการเดินทางไปร้านอาหารใหม่ๆ แต่โดยเฉพาะอย่างยิ่งในอุตสาหกรรมเภสัชกรรม เรายังคงต้องการผู้เชี่ยวชาญที่มีประสบการณ์สูง เช่น ทีมที่ Genesis Research เพื่อกำหนดความเกี่ยวข้องของข้อมูลและเริ่มการวิเคราะห์เพิ่มเติมเพื่อช่วยในการตัดสินใจ

คุณมีอะไรที่ต้องการแบ่งปันเกี่ยวกับ Genesis Research อีกหรือไม่?

การเติบโตอย่างรวดเร็วของ Genesis Research มาจากความสามารถในการรับมือกับความท้าทายใหม่ๆ การตั้งคำถามที่ถูกต้อง การรวบรวมทีมที่เหมาะสมเพื่อเข้าถึงและวิเคราะห์ข้อมูลที่ถูกต้อง และส่งมอบโซลูชันที่ช่วยให้ความคิดริเริ่มด้านชีววิทยาศาสตร์ไปข้างหน้า เป็นผู้บุกเบิกในการพัฒนาวิธีแก้ปัญหาโดยใช้หลักฐานจากโลกแห่งความเป็นจริง (RWE) และทำงานอย่างใกล้ชิดกับลูกค้าเพื่อระบุแหล่งที่มาของข้อมูลที่เหมาะสมที่สุด เราเป็นผู้นำที่มีประสบการณ์ในด้านกลยุทธ์หลักฐาน การพัฒนา และการสื่อสาร และเป็นผู้เชี่ยวชาญในการพัฒนาวิธีแก้ปัญหาเทคโนโลยีที่เป็นนวัตกรรม