Автоматизация в здравоохранении и биологических науках: как она помогает и что дальше
Фаза набора для клинических испытаний занимает в среднем 18 месяцев , и почти 20% испытаний онкологических заболеваний терпят неудачу из-за низких темпов накопления. Автоматизация и ИИ могут улучшить этот процесс — и помочь быстрее доставить пациентам спасительное лечение — путем выявления и набора подходящих участников.
Роботизированные инструменты автоматизации процессов могут быть особенно полезны в этой области, поскольку позволяют оценивать истории болезни пациентов и сопоставлять их с соответствующими исследованиями.
«Медицинская абстракция может быть утомительной и дорогой. В сопоставлении клинических испытаний структурирование приемлемости испытаний является простым, тогда как структурирование записей пациентов является настоящим узким местом», — говорит Пун. Он приводит Healthcare Agent Orchestrator от Microsoft в качестве примера того, «как RPA может потенциально разблокировать огромный прирост производительности за счет внедрения агентов для автоматизации сбора информации, нормализации, интеграции и сценариев сопоставления клинических испытаний».
Интеллектуальные инструменты обработки документов также оказываются полезными. IDP может помочь исследовательским группам избежать ошибок при ручном вводе, повысить точность данных пациентов и более эффективно анализировать массивные наборы данных. Amazon Web Services отмечает, что при использовании больших языковых моделей IDP могут генерировать отчеты и раскрывать действенные идеи.
Алгоритм TrialGPT , разработанный в Национальных институтах здравоохранения, является примером такого типа технологии. В пилотном исследовании исследователи обнаружили, что при оценке пациентов на предмет соответствия критериям испытаний TrialGPT тратит на 40% меньше времени на скрининг, но достигает того же уровня точности, что и врачи-клиницисты. TrialGPT также создает резюме, объясняющие, почему пациент хорошо подходит для испытания.
Роль облачных технологий и расширенной аналитики в разработке лекарств«Мы и другие уже использовали системы ИИ для создания перспективных кандидатов на лекарства , и я ожидаю, что такие успехи будут быстро накапливаться в течение следующих нескольких лет», — говорит Пун. «Мы можем сократить время на идентификацию цели, идентификацию лидирующего соединения и оптимизацию».
Исследователи говорят, что фаза разработки лекарств, которая обычно занимает от трех до шести лет и составляет около 35% от общей стоимости разработки нового лечения, может быть сокращена на один или два года с помощью ИИ. Это потому, что ИИ может идентифицировать и тестировать эффекты различных соединений быстрее, чем человек.
Расширенная аналитика данных имеет решающее значение для этого типа анализа. Алгоритмы на основе ИИ могут анализировать и сравнивать огромные объемы информации в нескольких базах данных, чтобы определить, какие комбинации будут наиболее эффективными при создании нового препарата.
Этот тип работы был бы невозможен без облачных вычислений и хранения . В то время как локальные центры обработки данных имеют определенный объем пространства, облако дает организациям, работающим в сфере естественных наук, неограниченный масштаб, который им может понадобиться для управления и анализа этих больших наборов данных.
Облако также позволяет организациям регулировать возможности хранения данных (и, следовательно, лучше контролировать расходы) за счет сотрудничества с поставщиками для получения доступа к мощным графическим процессорам и центральным процессорам.
«Допустим, вы работаете в средеGoogle Cloud и используете их высокопроизводительные вычисления для запуска сценариев сворачивания белков», — говорит Джо Майлз, отраслевой директор по биологическим наукам в UiPath. «Затем вы можете взять эту информацию и направить ее в соответствующие репозитории, поскольку она относится к отдельному испытанию».
healthtechmagazine
