人工智能3 hours ago
要变革医疗保健与生命科学，人工智能必须值得信赖
人工智能（AI）正迅速融入医疗保健和生命科学组织的各个层面。然而，大多数组织仅在小范围内使用它，而非将其规模化应用，以切实提升整个企业的绩效。面临的挑战包括：在这些行业中，AI必须满足最高标准的质量、隐私和可靠性，并且必须是值得信赖的。 基于大语言模型（LLM）的AI工具功能强大，但大多数LLM并非为满足医疗保健和生命科学运营的需求而设计。它们可能产生不一致的输出，并且其性能可能随着信息和上下文的变化而波动。特别是通用型AI，它基于广泛的公共数据进行训练——医学层面的筛选有限——并非为满足医学、科学或监管要求而构建。 在决策不仅涉及财务，还涉及临床、科学、法律乃至最终关乎人类后果的运营中，这些问题是不可接受的。 归根结底：我们需要更高标准的AI。 如果医疗保健和生命科学组织希望利用AI来变革其商业和受监管的运营，他们需要的是值得信赖的AI。 创建可信赖AI需要什么 值得信赖的AI能产生可靠的结果，在数据变化时保持一致的性能，并且合规且可辩护。 实现这一点需要科学和技术专长，以及一种严谨的方法，考虑负责任AI设计、使用和监控的方方面面。这在实践中是怎样的呢？ 第一步是理解最终目标：AI解决方案必须满足的最终用户需求是什么？成功的标准又是什么？这包括理解将使用AI解决方案的人员的角色、他们的需求和工作流程，以及他们希望实现的商业目标或必须遵守的监管要求。 这些细节将有助于为关键的技术决策提供信息，例如为AI解决方案选择合适的模型、设计验证框架以及建立衡量解决方案的指标。 可信赖的系统在设计过程之初就将专家纳入循环，而非事后才考虑。这需要利用人类专家——包括临床、科学、监管和商业专家——来帮助确保AI解决方案得到正确设计和部署，并考虑该解决方案将如何影响最终用户的工作。 当然，信任不仅仅是在设计阶段赢得的——它必须在AI解决方案的整个生命周期中得到维护。像AI数据飞轮（或学习循环）这样的机制，通过不断用新数据更新模型以保持其时效性，有助于AI解决方案保持相关性、准确性和可信度。强化学习和内置到AI解决方案中的护栏也有助于将其性能保持在既定规则范围内。 实际应用 AI已经在一些全球最大的生命科学公司的实际用例中被接纳、信任并产生影响。 在一个案例中，一家领先的制药公司寻求改进其在多个品牌和市场与医疗保健专业人士（HCP）互动的方式。该公司与HCP互动和优化营销策略的能力受到数据管理问题、缺乏客户层面的洞察以及适应困难等挑战的阻碍。 该公司实施了一个全渠道互动解决方案。它将HCP互动的预测信号与“下一步最佳行动”建议相结合，帮助团队决定如何安排外联节奏以及采取何种后续行动。该公司识别高价值患者的能力提高了四倍，其两个品牌的新患者启动率分别提高了20%和36%。 另一个例子是药物开发所需的文献综述。进行这些综述可能需要数月时间，需要深厚的领域专业知识、细致的规划、大量的手动工作等等。它们也难以扩展且容易出错。 AI解决方案可以自动化文献综述的主要部分，从方案制定到检索筛选、数据提取，再到分析和报告。对于AI解决方案承担的任何工作，研究人员或其他人员都可以审查每个决策背后的逻辑。 如今借助AI，过去需要数月的综述可以在短短几天内完成，且错误更少。在一个案例中，AI解决方案帮助一家大型制药公司为科学文献综述用例实现了比传统手动流程快七倍的初步筛选。这将预计的筛选时间从20天压缩到不足3天。 AI也在该领域创造着新的可能性。例如，它使公司能够创建可以持续用最新发布数据更新的“动态”综述。 协作至关重要 为医疗保健和生命科学创建可信赖的AI解决方案需要多种专业知识的融合，这是任何单一组织都无法独立提供的。这就是为什么志同道合的公司正在协作，汇集所需的技术和领域知识及能力，以创建完整的、经过验证的、能够在受监管和商业工作流程中扩展的AI系统。 例如，合适的技术合作伙伴带来了工程深度和在企业规模部署和运行AI的丰富经验。他们可以提供开放模型，以满足可信赖AI所需的透明度，并提供能够加速AI解决方案构建的软件组件。他们为其他行业创建可信赖企业AI解决方案的经验有助于预见挑战并加强设计。 在领域方面，一个有效的协作者不仅带来深厚的临床开发和商业化专业知识，还拥有开发可信赖AI解决方案的良好记录。他们拥有创建这些解决方案所需的基本要素，如数据科学专业知识、监管知识以及安全负责任地使用数据的历史。但他们还可以提供更多支持AI部署的资源，从愿意挑战公共基准以确保AI解决方案按预期运行，到诸如前置部署工程师等资源，这些工程师可以帮助将AI解决方案集成到最终用户的工作流程中，同时考虑到最终用户独特的IT系统配置和政策。 改变工作完成方式 AI对医疗保健和生命科学组织而言，不仅仅是另一种工具。如果运用得当，它将改变工作的执行方式和问题的解决方式。特别是可信赖的AI，已经证明它能够缩短时间线、提高准确性，并帮助团队更灵活地应对复杂挑战，为AI时代重新构想工作流程。...
