Umělá inteligence se stále více využívá v různých aspektech vývoje léků, od objevování sloučenin s potenciálem záchrany života, po identifikaci potenciálních pacientů a další. Outsourcing-Pharma nedávno hovořila s Richem Christiem, hlavním lékařským ředitelem poskytovatele řešení zaměřených na umělou inteligenci AiCure, o tom, jak lze umělou inteligenci využít k analýze a predikci chování pacientů, vývoji řešení precizní medicíny a zlepšení péče i kvality života.
OSP: Mohl byste se prosím podělit o popis „výtahové prezentace“ AiCure – kdo jste, co děláte a co vás odlišuje od ostatních společností působících ve stejném prostoru?
RC: AiCure je technologická společnost zaměřená na pacienty, která umožňuje organizacím zabývajícím se vědou o živé přírodě a zdravotnickými organizacemi s praktickými poznatky k urychlení vývoje léků a zlepšení péče o pacienty. S více než desetiletými zkušenostmi se správou komplexních chráněných zdravotních informací (PHI) v regulovaných prostředích pomáhá AiCure organizacím optimalizovat péči na každém kroku klinického kontinua poskytováním objektivních, prediktivních behaviorálních a intervenčních poznatků, jedinečně postavených na nezaujaté úrovni pacienta. zachycování zvukových a obrazových dat. To v konečném důsledku informuje o proaktivním rozhodování v klinickém výzkumu, vývoji vysoce kvalitních léků pro efektivní komercializaci a rozšířeném dosahu personalizované péče o pacienty.
Prostřednictvím naší mobilní aplikace pro chytré telefony Patient Connect využíváme počítačové vidění a umělou inteligenci ke shromažďování zvukových a vizuálních dat o pacientovi. To pomáhá sponzorům získat objektivní a hluboké porozumění jak pacientovo dodržování plánu péče, tak i jejich celkové reakci na léčbu. Naše nabídka je jedinečná nejen svým zaměřením na prožitou zkušenost pacienta s nemocí, ale také způsobem, jakým jsou naše algoritmy sestaveny.
Od našich začátků jsme pilně pracovali na tom, abychom zajistili, že náš algoritmus rozpoznávání obličeje bude vytvořen s využitím různých dat, aby naše nástroje fungovaly se všemi pacienty bez ohledu na odstín pleti, prostředí, oblečení a další. To nám pomohlo zajistit, aby naši zákazníci mohli provádět inkluzivní výzkum reprezentativní pro populace z reálného světa.
OSP: Pohovořte prosím trochu o tom, jak v posledních letech pokročila oblast přesné medicíny.
RC: Výzva přesné medicíny spočívá ve spojení správného pacienta se správným lékem ve správném bodě jeho nemoci. Průmysl věd o živé přírodě si stále více uvědomuje, že to začíná pochopením nuancí stavu jednotlivých pacientů a reakcí na léčbu. Sporadické osobní návštěvy nabízejí pouze krátký pohled na stav pacienta v době návštěvy, ale časové úseky mezi těmito návštěvami obsahují důležité informace o stavu jeho onemocnění, účinnosti léčby a jejím dopadu na kvalitu léčby. život.
Stále častěji vidíme, že se sponzoři farmaceutických společností obracejí na nástroje založené na umělé inteligenci a prediktivní nástroje, aby rozšířili tyto tradiční odbavení. Technologie, která pomáhá objektivně a proaktivně zachycovat každodenní zkušenosti pacienta, může sponzorům a webům poskytnout zásadní informace pro cílenou, personalizovanou péči o pacienty, a to jak z hlediska toho, jaké intervence a podpora by mohly nejlépe fungovat, tak i z hlediska včasných úprav jejich léčebného plánu.
OSP: Jak konkrétně byla umělá inteligence využita k dalšímu rozvoji přesné medicíny v prostoru klinického výzkumu?
RC: Stejně jako genomika v posledních několika desetiletích transformovala onkologickou péči a nabídla možnost precizní léčby, měření chování, která jsme nyní schopni zachytit pomocí nástrojů AI, pomohou urychlit precizní medicínu při vývoji léků a přizpůsobit intervence bezprecedentním způsobem. specifičnost.
Například nová hodnocení pacientů, jako jsou digitální biomarkery založené na videu a zvuku, mohou identifikovat jemnosti pacientovy pohody a reakce na léčbu způsobem, který samotné osobní hodnocení nedokáže. Zejména u stavů se symptomy, které je třeba nebo mohou být vyhodnoceny pomocí zvukových a vizuálních podnětů sledováním metrik, jako jsou výrazy obličeje pacienta, záškuby očí, řeč nebo pohyb, digitální biomarkery pomáhají detekovat specifické chování spojené s určitými nemocemi a léčbou s více přesnost než kdykoli předtím.
Posouzením těchto objektivních poznatků v průběhu času mohou lékaři pochopit, jak léky ovlivňují kvalitu života člověka, jako je jeho schopnost zavázat si botu nebo napsat své jméno a činit informovaná rozhodnutí o budoucnosti svého plánu péče.
OSP: Mluvte prosím o použití umělé inteligence ke sledování pacientů a předpovídání jejich chování.
RC: Kromě digitálních biomarkerů může prediktivní analytika založená na umělé inteligenci také pomoci řídit přesnou medicínu tím, že předpovídá chování pacientů ještě před zahájením zkoušek. Pomocí úvodního období placeba může umělá inteligence pomoci předpovědět, zda pacient pravděpodobně dodrží svůj léčebný plán nebo zda bude mít problém udržet se na správné cestě.
To, že to budete vědět předem, může webům pomoci účinně se zaměřit na pacienty, kteří mohou potřebovat více podpory, jakmile se zaregistrují do studie, přizpůsobit své intervence a přizpůsobit zdroje podle toho, aby je udrželi v zapojení. Předpovídání budoucího chování pacienta na základě chování v minulosti umožňuje webům být ve své taktice zapojení proaktivnější a osobnější.
OSP: Jak lze tyto informace použít k přizpůsobení léčby a intervencí?
RC: Digitální biomarkery umožňují sponzorům zachytit objektivní poznatky o zkušenostech pacienta, které pomohou při rozhodování o léčbě a intervenci. Například vědomí, že osoba s depresí pociťuje zvýšenou únavu nebo pomalejší řeč než obvykle, může znamenat, že lékař musí přehodnotit plán léčby pacienta, aby se pokusil zlepšit jeho reakci změnou dávkování.
U stavů, jako je roztroušená skleróza, jejíž symptomy v průběhu času narůstají a slábnou, sledování mikrovýrazů s takovou citlivostí znamená, že lékaři mohou sledovat trendy v průběhu času, aby pochopili, jaký zásah bude pro daného pacienta nejužitečnější a kdy bude nejlépe zasáhnout. Speciálně v kombinaci s tradičnějšími hodnoceními pacientů, aby mohli hlásit, jak se cítí, mohou sponzoři pomocí těchto nástrojů získat ucelenější a personalizovanější obrázek o tom, jak se pacientovi daří.
OSP: Co si myslíte, že by mohlo následovat další pokrok v oblasti přesné medicíny?
RC: Nástroje využívající umělou inteligenci, jako jsou digitální biomarkery, jsou jedinečným, relativně novým přístupem k přesné medicíně. Tato řešení se však často vyvíjejí za zavřenými dveřmi, s jejich proprietárními algoritmy pod zámkem.
Kritickým způsobem, jak využít plný potenciál umělé inteligence, je prolomit tyto bariéry a obrátit se na open source komunity, aby bylo možné algoritmy adekvátně testovat a prověřovat. Důvěru v potenciál těchto nástrojů je třeba vybudovat ve veřejné sféře, přičemž výzkumná a akademická komunita bude zvažovat jejich výkon, příležitosti k jejich použití a oblasti ke zlepšení.
Dalším faktorem přesné medicíny je stále se zvyšující množství a zdroje údajů o pacientech. Snaha získat smysluplné poznatky z těchto rostoucích zdrojů dat pro řízení přesné medicíny může být výzvou. Platformy umělé inteligence mohou pomoci agregovat data a odvodit užitečné poznatky o zkušenostech pacienta a progresi onemocnění, což poskytuje ucelenější pohled na adekvátní personalizaci péče.
OSP: Chcete něco dodat?
RC: Umělá inteligence může být katalyzátorem precizní medicíny, pomáhá sponzorům lépe porozumět tomu, jak léky fungují, a jejich dopadu na konkrétní pacienty, a nakonec přemostit klinická zjištění do aplikací v reálném světě. Zvýšené používání těchto nástrojů poháněných umělou inteligencí však s sebou nese odpovědnost vývojářů, aby zajistili, že jsou vytvořeny s ohledem na zamýšlenou populaci pacientů.
Pokud vývojáři nepřijmou různorodé reprezentativní soubory dat, umělá inteligence má tendenci udržovat neviditelné předsudky. Když se díváme dopředu, musíme být ostražití při zmírňování potenciálního dopadu předsudků na aplikace nástrojů umělé inteligence, jinak riskujeme důvěru komunit biologických věd a zdravotnictví v jejich hodnotu.
