Automatyzacja w opiece zdrowotnej i naukach przyrodniczych: jak pomaga i co dalej

Przyspieszanie badań klinicznych dzięki automatyzacji i sztucznej inteligencji

Faza rekrutacji do badań klinicznych trwa średnio 18 miesięcy , a prawie 20% badań nad rakiem kończy się niepowodzeniem z powodu niskich wskaźników naboru. Automatyzacja i sztuczna inteligencja mogą usprawnić ten proces — i pomóc pacjentom szybciej uzyskać ratujące życie leczenie — poprzez identyfikację i rekrutację uprawnionych uczestników.

Narzędzia automatyzacji procesów robotycznych mogą okazać się szczególnie przydatne w tym obszarze poprzez ocenę dokumentacji medycznej pacjentów i dopasowywanie jej do odpowiednich badań.

„Medyczna abstrakcja może być żmudna i kosztowna. W dopasowywaniu badań klinicznych strukturyzacja kwalifikowalności do badań jest łatwa, podczas gdy strukturyzacja dokumentacji medycznej jest prawdziwym wąskim gardłem” — mówi Poon. Podaje Healthcare Agent Orchestrator firmy Microsoft jako przykład „tego, w jaki sposób RPA może potencjalnie odblokować ogromne zyski w zakresie produktywności poprzez wprowadzenie agentów do automatyzacji gromadzenia informacji, normalizacji, integracji i scenariuszy dopasowywania badań klinicznych”.

Inteligentne narzędzia do przetwarzania dokumentów również okazują się przydatne. IDP może pomóc zespołom badawczym unikać błędów ręcznych, zwiększać dokładność danych pacjentów i skuteczniej analizować zestawy o dużej objętości. Amazon Web Services wskazuje, że gdy są zasilane przez duże modele językowe, IDP mogą generować raporty i odkrywać praktyczne spostrzeżenia.

Algorytm TrialGPT , opracowany w National Institutes of Health, jest przykładem tego typu technologii. W badaniu pilotażowym naukowcy odkryli, że podczas oceny pacjentów pod kątem kwalifikowalności do badania TrialGPT poświęcił o 40% mniej czasu na przesiew, ale osiągnął ten sam poziom dokładności co ludzcy klinicyści. TrialGPT tworzył również podsumowania wyjaśniające, dlaczego pacjent dobrze pasował do badania.

ODKRYJ: Oto 13 sposobów, w jaki sztuczna inteligencja usprawnia działanie placówek służby zdrowia, opiekę nad pacjentami i leczenie.

Rola chmury obliczeniowej i zaawansowanej analityki w odkrywaniu leków

„My i inni już użyliśmy systemów AI do generowania obiecujących kandydatów na leki i spodziewam się, że takie sukcesy będą szybko się kumulować w ciągu najbliższych kilku lat” — mówi Poon. „Możemy skrócić czas identyfikacji celu, identyfikacji związku wiodącego i optymalizacji”.

Naukowcy twierdzą, że faza odkrywania leków, która zazwyczaj trwa od trzech do sześciu lat i stanowi około 35% całkowitych kosztów opracowywania nowego leczenia, może zostać skrócona o rok lub dwa dzięki AI. Dzieje się tak, ponieważ AI potrafi identyfikować i testować efekty różnych związków szybciej niż człowiek.

Zaawansowana analityka danych ma kluczowe znaczenie dla tego typu analizy. Algorytmy oparte na sztucznej inteligencji mogą analizować i porównywać ogromne ilości informacji w wielu bazach danych, aby określić, które kombinacje będą najskuteczniejsze w tworzeniu nowego leku.

Tego typu praca nie byłaby możliwa bez chmury obliczeniowej i pamięci masowej . Podczas gdy lokalne centra danych mają określoną ilość miejsca, chmura zapewnia organizacjom nauk przyrodniczych nieograniczoną skalę, której mogą potrzebować do zarządzania i analizowania tych dużych zestawów danych.

Chmura pozwala również organizacjom dostosować swoje możliwości przechowywania danych — a tym samym lepiej kontrolować koszty — poprzez współpracę z dostawcami w celu uzyskania dostępu do wydajnych jednostek przetwarzania grafiki i procesorów.

„Załóżmy, że pracujesz w środowiskuGoogle Cloud i używasz ich wysokowydajnego przetwarzania do uruchamiania scenariuszy składania białek” — mówi Joe Miles, dyrektor branżowy nauk przyrodniczych w UiPath. „Możesz następnie wziąć te informacje i skierować je do odpowiednich repozytoriów, jeśli chodzi o poszczególne badanie”.