Внедрение генеративного ИИ может принести потенциальную прибыль в размере от 2,6 до 4,5% годовой выручки в фармацевтической и медицинской промышленности
Продолжаем делиться полезной информацией о влиянии генеративного ИИ на разные сферы нашей жизни. Рассказываем о потенциале внедрения ИИ в фармацевтическую отрасль.
Подписывайтесь, чтобы быть в курсе новостей мира маркетинга и ИИ. Мой канал в Телеграм: https://t.me/+_vo7GPRg3EU3NzAy.
💡 Генеративный ИИ — это ИИ, который обычно строится на основе базовых моделей и обладает возможностями, которых не было у более ранних ИИ. Фундаментальные модели могут использоваться и для негенеративных целей (например, для классификации настроений пользователей как негативных или позитивных на основе стенограмм звонков), при этом они значительно превосходят более ранние модели. Для простоты в данной статье под генеративным ИИ мы понимаем все случаи использования базовых моделей.
Генеративный ИИ может оказать значительное влияние на фармацевтическую отрасль и производство медицинских препаратов — от 60 до 110 млрд долл. в год. Такой большой потенциал отражает ресурсоёмкость процесса открытия новых лекарственных соединений. Фармацевтические компании обычно тратят на исследования и разработку около 20% выручки 1, а разработка нового препарата занимает в среднем 10–15 лет.
При таком уровне расходов и сроках повышение скорости и качества исследования и разработку может принести значительную прибыль. Например, идентификация лидов — этап в процессе открытия лекарств, на котором исследователи определяют молекулу, наиболее подходящую для создания потенциального лекарства, — может занять несколько месяцев даже при использовании «традиционных» методов глубокого обучения. Фундаментальные модели и генеративный ИИ могут позволить организациям выполнить этот этап за несколько недель.
Варианты использования генеративного ИИ в соответствии с потребностями отрасли
Поиск лекарственных препаратов предполагает сужение круга возможных соединений до тех, которые могут эффективно лечить конкретные заболевания. Способность генеративного ИИ обрабатывать огромные объёмы данных и моделировать варианты может ускорить получение результатов в нескольких областях применения:
Повышение автоматизации предварительного скрининга
На этапе идентификации ведущего звена в разработке лекарственных препаратов учёные могут использовать фундаментальные модели для автоматизации предварительного скрининга химических веществ в поисках тех, которые будут оказывать специфическое воздействие на лекарственные мишени. Для начала необходимо протестировать тысячи клеточных культур и сопоставить их с изображениями соответствующего эксперимента.
Используя готовые базовые модели, исследователи могут более точно, чем при использовании традиционных моделей, кластеризовать похожие изображения, что позволяет им отбирать наиболее перспективные химические вещества для дальнейшего анализа в ходе оптимизации исследований.
Улучшение поиска показаний
Важным этапом разработки лекарственных средств является выявление и определение приоритетности новых показаний, т.е. заболеваний, симптомов или обстоятельств, которые оправдывают применение конкретного лекарственного средства или другого метода лечения, например, теста, процедуры или операции. Возможные показания к применению того или иного препарата определяются на основе истории болезни и медицинской документации группы пациентов, а затем их приоритетность определяется на основе сходства с установленными и доказанными показаниями.
Исследователи начинают с составления карты клинических событий и историй болезни группы пациентов, включая возможные диагнозы, назначенные препараты и проведённые процедуры, на основе реальных данных.
Используя базовые модели, исследователи могут количественно:
- оценить клинические события;
- установить взаимосвязи;
- измерить сходство между группой пациентов и показаниями, подтверждёнными доказательствами.
В результате формируется короткий список показаний, которые имеют большую вероятность успеха в клинических испытаниях, поскольку их можно более точно соотнести с соответствующими группами пациентов.
Фармацевтические компании, использовавшие этот подход, отмечают высокие показатели успеха в клинических испытаниях пяти основных показаний, рекомендованных базовой моделью для исследуемого препарата. Такой успех позволяет этим препаратам плавно перейти в фазу 3 испытаний, что значительно ускоряет процесс разработки лекарственных средств.
Дополнительные факторы, которые необходимо учитывать
Прежде чем внедрять генеративный ИИ в свою деятельность, руководители фармацевтических компаний должны знать о некоторых факторах, которые могут ограничить их возможности по использованию его преимуществ.
- Необходимость присутствия человека. Компаниям может потребоваться внедрение новых проверок качества процессов, в которых человек переходит на генеративный ИИ, например электронных писем, генерируемых представителем, или более детальных проверок качества процессов, осуществляемых с помощью ИИ, например, при разработке лекарственных препаратов. Растущая потребность в проверке того, основан ли генерируемый контент на фактах или умозаключениях, повышает необходимость в новом уровне контроля качества.
- Объяснимость. Отсутствие прозрачности происхождения генерируемого контента и отслеживания исходных данных может затруднить обновление моделей и их проверку на предмет потенциальных рисков. Например, генеративное ИИ-решение для синтеза научной литературы может оказаться не в состоянии указать конкретные статьи или цитаты, на основании которых оно сделало вывод о популярности нового метода лечения среди врачей. Технология также может «галлюцинировать» или генерировать ответы, явно неверные или не соответствующие контексту. Системы должны быть разработаны таким образом, чтобы указывать на конкретные статьи или источники данных, а затем проводить проверку с участием человека.
- Соображения конфиденциальности. Использование генеративным ИИ клинических изображений и медицинских карт может повысить риск утечки защищённой медицинской информации, что может привести к нарушению нормативных требований, обязывающих фармацевтические компании защищать конфиденциальность информации о пациентах.
1. Исследования и разработки в фармацевтической промышленности, Бюджетное управление Конгресса США, апрель 2021 г.
В этой статье мы оценили организационную ценность генеративного ИИ, которую он может принести благодаря использованию в различных отраслях и бизнес-функциях, однако потенциал технологии гораздо выше. По мере того как она будет внедряться в инструменты, используемые каждым работником сферы знаний, её дополнительное влияние может быть более рассеянным, но не менее ценным, чем в этих случаях.
Компаниям необходимо найти способы максимизировать ценность, создаваемую внедряемым генеративным ИИ, и при этом следить за его воздействием на персонал и общество в целом.
Рассказываем о новых решениях в сфере маркетинга и оптимизации рекламы на канале в Телеграм. Подписывайтесь https://t.me/+_vo7GPRg3EU3NzAy*