Tekoälyä hyödynnetään yhä enemmän lääkekehityksen eri osa-alueilla, aina hengenpelastuspotentiaalia sisältävien yhdisteiden löytämisestä mahdollisten potilaiden tunnistamiseen ja muuhun. Outsourcing-Pharma puhui äskettäin tekoälyyn keskittyvien ratkaisujen toimittajan AiCuren lääketieteen johtajan Rich Christien kanssa siitä, kuinka tekoälyä voidaan käyttää analysoimaan ja ennustamaan potilaiden käyttäytymistä, kehittämään tarkkuuslääkeratkaisuja ja parantamaan sekä hoitoa että elämänlaatua.
OSP: Voisitko jakaa AiCuren "hissiesittelyn" kuvauksen – kuka olet, mitä teet ja mikä erottaa sinut muista samassa tilassa toimivista yrityksistä?
RC: AiCure on potilaskeskeinen teknologiayritys, joka antaa biotieteen ja terveydenhuollon organisaatioille käyttökelpoisia näkemyksiä lääkekehityksen nopeuttamiseksi ja potilaiden hoidon parantamiseksi. Yli vuosikymmenen kokemuksella monimutkaisten suojattujen terveystietojen (PHI) hallinnasta säännellyissä olosuhteissa, AiCure auttaa organisaatioita optimoimaan hoitoa kliinisen jatkumon jokaisessa vaiheessa tarjoamalla objektiivisia, ennakoivia käyttäytymis- ja interventionäkemyksiä, jotka perustuvat ainutlaatuisesti puolueettomaan potilastasoon. audio- ja visuaalinen datan talteenotto. Tämä antaa viime kädessä tietoa ennakoivasta päätöksenteosta kliinisessä tutkimuksessa, laadukkaaseen lääkekehitykseen tehokkaaseen kaupallistamiseen ja henkilökohtaisen potilashoidon laajentamiseen.
Älypuhelinpohjaisen Patient Connect -mobiilisovelluksemme avulla hyödynnämme tietokonenäköä ja tekoälyä kerätäksemme ääni- ja kuvadataa potilaasta. Tämä auttaa sponsoreita saamaan objektiivisen ja syvän ymmärryksen sekä potilaan hoitosuunnitelman noudattamisesta että kokonaisvastauksesta hoitoon. Tarjouksemme ei ole ainutlaatuinen ainoastaan siinä, että se keskittyy potilaan kokemaan sairauskokemukseen, vaan myös siinä tavassa, jolla algoritmimme on rakennettu.
Olemme alusta asti työskennelleet ahkerasti varmistaaksemme, että kasvojentunnistusalgoritmimme on rakennettu käyttämällä erilaisia tietoja, jotta työkalumme toimivat kaikkien potilaiden kanssa ihonväristä, ympäristöstä, pukeutumisesta ja muusta riippumatta. Tämä on auttanut meitä varmistamaan, että asiakkaamme voivat tehdä kattavaa tutkimusta, joka edustaa todellista väestöä.
OSP: Kerro vähän siitä, kuinka tarkkuuslääketieteen ala on kehittynyt viime vuosina.
RC: Tarkkuuslääketieteen haaste on löytää oikea potilas oikeaan lääkkeeseen sairauden oikeassa vaiheessa. Biotiedeteollisuus ymmärtää yhä enemmän, että tämä alkaa ymmärtämällä yksittäisen potilaan tilan vivahteita ja hoitovastetta. Satunnaiset henkilökohtaiset käynnit tarjoavat vain lyhyen katsauksen potilaan tilasta käyntihetkellä, mutta näiden käyntien väliset ajanjaksot sisältävät kriittistä tietoa sairauden tilasta, hoidon tehokkuudesta ja sen vaikutuksesta potilaan hoitoon. elämää.
Näemme yhä useammin lääkkeiden sponsoreiden kääntyvän tekoälyllä toimiviin ja ennakoiviin työkaluihin täydentääkseen näitä perinteisiä sisäänkirjautumisia. Teknologia, joka auttaa objektiivisesti ja ennakoivasti taltioimaan potilaan päivittäisen kokemuksen, voi antaa sponsoreille ja sivustoille tärkeitä näkemyksiä kohdennetun ja yksilöllisen potilaanhoidon tiedottamiseen sekä siitä, mitkä interventiot ja tuki voisivat toimia parhaiten, että myös mahdolliset oikea-aikaiset mukautukset hoitosuunnitelmaan.
OSP: Miten tekoälyä on käytetty tarkkuuslääketieteen edistämiseen kliinisessä tutkimustilassa?
RC: Aivan kuten genomiikka muutti onkologista hoitoa viime vuosikymmeninä ja tarjosi kyvyn hoitaa tarkasti, käyttäytymismittaukset, jotka voimme nyt tallentaa tekoälytyökaluilla, auttavat katalysoimaan tarkkuuslääketiedettä lääkekehityksessä ja räätälöimään interventioita ennennäkemättömällä tavalla. spesifisyyttä.
Esimerkiksi uudet potilasarvioinnit, kuten video- ja äänipohjaiset digitaaliset biomarkkerit, voivat tunnistaa potilaan hyvinvoinnin ja hoitovasteen vivahteet tavoilla, joihin henkilökohtaiset arvioinnit yksinään eivät pysty. Digitaaliset biomarkkerit auttavat havaitsemaan tiettyihin sairauksiin ja hoitoihin liittyviä tiettyihin sairauksiin ja hoitoihin liittyviä tiettyjä käyttäytymismalleja erityisesti sairauksissa, joissa oireita on arvioitava tai joita voidaan arvioida ääni- ja visuaalisilla vihjeillä. tarkkuudella kuin koskaan ennen.
Arvioimalla näitä objektiivisia näkemyksiä ajan mittaan lääkärit voivat ymmärtää, kuinka lääkkeet vaikuttavat ihmisen elämänlaatuun, kuten kykyyn sitoa kenkä tai kirjoittaa nimensä, ja tehdä perusteltuja päätöksiä hoitosuunnitelmansa tulevaisuudesta.
OSP: Puhu tekoälyn käytöstä potilaiden seuraamiseen ja heidän käyttäytymisensä ennustamiseen.
RC: Digitaalisten biomarkkereiden lisäksi tekoälyllä toimiva ennustava analytiikka voi myös auttaa kehittämään tarkkuuslääkettä ennustamalla potilaiden käyttäytymistä ennen kuin kokeet alkavat. Plasebon aloitusjakson avulla tekoäly voi auttaa ennustamaan, noudattaako potilas todennäköisesti hoitosuunnitelmaansa vai onko hänellä yleensä vaikeuksia pysyä raiteilla.
Tämän tietäminen etukäteen voi auttaa sivustoja keskittymään tehokkaasti potilaisiin, jotka saattavat tarvita enemmän tukea, kun he ovat ilmoittautuneet tutkimukseen, räätälöidä interventioitaan ja personoimalla resursseja sen mukaan, jotta he pysyvät sitoutuneina. Potilaan tulevan käytöksen ennustaminen aiemman käytöksen perusteella antaa sivustoille mahdollisuuden olla aktiivisempia ja henkilökohtaisempia sitoutumistaktioissaan.
OSP: Miten näitä tietoja voidaan sitten käyttää hoidon ja toimenpiteiden räätälöimiseen?
RC: Digitaalisten biomarkkereiden avulla sponsorit voivat kerätä objektiivisia näkemyksiä potilaan kokemuksista, mikä auttaa ohjaamaan hoito- ja interventiopäätöksiä. Jos esimerkiksi tietää, että masennusta sairastava henkilö kokee lisääntynyttä väsymystä tai tavallista hitaampaa puhetta, lääkärin on tarkistettava potilaan hoitosuunnitelma yrittääkseen parantaa vastetta muuttamalla annosta.
Multippeliskleroosin kaltaisissa sairauksissa, joiden oireet voimistuvat ja heikkenevät ajan myötä, mikroilmentymien seuranta tällaisella herkkyydellä tarkoittaa, että lääkärit voivat seurata trendejä ajan mittaan ymmärtääkseen, mikä toimenpide tuottaa eniten arvoa kyseiselle potilaalle ja milloin se tehdään. paras puuttua. Erityisesti yhdistettynä perinteisempiin arviointeihin, joissa potilaat voivat raportoida tunteistaan, sponsorit voivat saada kokonaisvaltaisemman, henkilökohtaisemman kuvan potilaan toiminnasta näiden työkalujen avulla.
OSP: Mitä arvelet seuraavaksi tarkkuuslääketieteen kehityksessä?
RC: Tekoälyllä toimivat työkalut, kuten digitaaliset biomarkkerit, ovat ainutlaatuinen, suhteellisen uusi lähestymistapa tarkkuuslääketieteeseen. Mutta näitä ratkaisuja kehitetään usein suljettujen ovien takana, ja niiden patentoidut algoritmit ovat lukon ja avaimen alaisia.
Kriittinen tapa toteuttaa tekoälyn täysi potentiaali on murtaa nämä esteet ja kääntyä avoimen lähdekoodin yhteisöihin, jotta algoritmeja voidaan testata ja tarkastaa riittävästi. Luottamusta näiden työkalujen mahdollisuuksiin on rakennettava julkisesti, ja tutkimus- ja akateeminen yhteisö punnitaan niiden suorituskykyä, niiden käyttömahdollisuuksia ja kehittämiskohteita.
Toinen tarkkuuslääketieteen tekijä on potilastietojen jatkuvasti kasvavat määrät ja lähteet. Näistä kasvavista tietolähteistä tarkkuuslääketieteen edistämiseksi merkityksellisten oivallusten poimiminen voi olla haaste. Tekoälyalustat voivat auttaa keräämään tietoja ja saamaan käyttökelpoisia näkemyksiä potilaan kokemuksista ja taudin etenemisestä, mikä tarjoaa kokonaisvaltaisemman näkemyksen hoidon asianmukaisesta personoinnista.
OSP: Onko sinulla jotain lisättävää?
RC: Tekoäly voi olla tarkkuuslääketieteen katalysaattori, joka auttaa sponsoreita ymmärtämään paremmin lääkkeiden toimintaa ja niiden vaikutusta tiettyihin potilaisiin, ja lopulta yhdistää kliiniset löydökset todellisiin sovelluksiin. Näiden tekoälyllä varustettujen työkalujen lisääntynyt käyttö tuo kuitenkin kehittäjien vastuun varmistaa, että ne on rakennettu niiden potilasjoukon mukaan.
Jos kehittäjät eivät omaksu erilaisia, edustavia tietojoukkoja, tekoälyllä on taipumus säilyttää näkymätön harha. Kun katsomme eteenpäin, meidän on oltava valppaita lieventämään harhaa mahdollisia vaikutuksia tekoälytyökalujen sovelluksiin, tai muuten vaarannetaan biotieteiden ja terveydenhuoltoyhteisöjen luottamus niiden arvoon.
