Искусственный интеллект и машинное обучение в европейской фармацевтической промышленности: недавние приложения, проблемы и ответы…

Инновации в фармацевтической промышленности оказались сложной задачей, поскольку уровень успеха разработки лекарств традиционно был чрезвычайно низким. Однако пандемия COVID-19 подтолкнула центры исследований и разработок, рынки и лидеров к разработке мер реагирования на кризис быстрее, чем когда-либо. Искусственный интеллект и машинное обучение представляют собой набор инструментов для решения новых задач во всей отрасли. Важно отметить, что ожидается, что рынок искусственного интеллекта в здравоохранении достигнет 51,3 миллиарда долларов к 2027 году при CAGR (совокупный годовой темп роста) в 41,4%, начиная с 2020 года. Ознакомьтесь с этим свежим руководством по последним обновлениям, которые ИИ и машинное обучение принесли на фармацевтический рынок в ЕС, включая недавние приложения и наиболее важные проблемы.

Искусственный интеллект и фармацевтика на «склоне просвещения»

Недавние приложения искусственного интеллекта и машинного обучения в здравоохранении и фармацевтике доказали, что эти технологии достигают вершины просветления в цикле хайпов Gartner ». Похоже, что на данный момент у индустрии нет выбора. Пер Суброто Мукерджи, руководитель отдела инноваций и новейших технологий GlaxoSmithKline, - сказал, что разработка новых вакцин против коронавируса раньше занимала от восьми до десяти лет. Напротив, для тех, которые доступны сейчас, от начала разработки до первых испытаний прошло 300 дней. Обоснование использования ML в отрасли состоит в том, чтобы снизить потери и затраты при одновременном увеличении успешности разработки новых лекарств.

Следовательно, на сцену выходит возможность использования алгоритмов машинного обучения для анализа значительных объемов данных, обучения на их основе и определения или прогнозирования будущего новых наборов данных. Алгоритмы показывают более высокую производительность с увеличением количества и качества данных, что приводит к вопросу о регулировании данных, который мы рассмотрим далее. Данные, собранные с носимых устройств, такие как изображения, тексты, биометрия, анализы и другая информация, служат полем для разработки новых моделей или формул, которые все еще неизвестны, но могут привести к решающим изменениям. Практически на рынке были следующие проверенные приложения AI и ML:

Идентификация заболевания - охват всех возможных областей, по которым доступны данные.
Клинические испытания - подбор идеального кандидата для испытания на основе их данных.
Оцифровка - упрощение преобразования медицинской информации на бумажных носителях / изображениях в полностью структурированные цифровые данные с помощью оптического распознавания символов (OCR) и обработки естественного языка (NLP).
Отображение медицинских данных - обеспечение медицинских исследований и разработок за счет стандартизации форматов данных.
Интеграция медицинских данных - помогает владельцам медицинских данных продавать / предоставлять доступ к своим данным исследовательским фармацевтическим компаниям с помощью технологии извлечения / преобразования / загрузки (ETL).
Открытие лекарств - скрининг компонентов, быстрое измерение РНК и ДНК, индивидуальная разработка лекарств.
Индивидуальное лечение - повышение точности диагностики медицинских работников.
Предсказание и прогнозирование - мониторинг сезонных заболеваний во всем мире и содействие ранней диагностике и точному лечению с помощью анализа данных.
Telehealth - помощь лицам, ухаживающим за больными, в удаленном лечении с помощью мобильных устройств или веб-разработки.

Недавние примеры использования в европейской фармацевтике и здравоохранении

Чтобы проиллюстрировать упомянутые приложения, посмотрите, как европейские компании решают научные проблемы, предоставляя более быстрые фармацевтические препараты, лечение биспецифических целевых заболеваний и сопоставление лечения пациентов с редкими заболеваниями с помощью машинного обучения. На этот раз в нашем списке находятся компании из Великобритании и Франции.

Tessella - это консалтинговая компания по науке о данных, предлагающая услуги искусственного интеллекта и обработки данных путем создания моделей машинного обучения. Они утверждают, что помогли GlaxoSmithKline (GSK) улучшить процесс скрининга соли и полиморфа при разработке лекарств. Это помогает найти лучшую физическую форму нового лекарственного вещества. Компания разработала модель машинного обучения, которая автоматизирует процессы приготовления лекарств, такие как добавление и смешивание жидкостей, нагрев и охлаждение, встряхивание, перенос образцов и дозирование твердых веществ.

Healx разработал HealNet, программное обеспечение, помогающее подбирать пациентам с редкими заболеваниями соответствующее лекарственное лечение. Их алгоритмы машинного обучения построены на базе данных, состоящей из общедоступных данных и конкретных источников, включая клинические испытания, данные о симптомах, химическую структуру, мишени для лекарств, патенты и научную литературу.

Exscientia утверждает, что их программное обеспечение может обнаруживать небольшие молекулы и соединения, которые лечат биспецифические целевые заболевания. Это решение использует модель ML, которая предсказывает конкретное развитие биспецифических заболеваний.

Owkin заявляет о своем решении, база данных Socrates помогает в создании прогнозных моделей для оптимизации разработки лекарств.

GlaxoSmithKline, транснациональная компания из Великобритании, применила ML для прогнозирования некоторых популярных сезонных брендов. Это помогает предвидеть возможные пики и спады наступления простуды, гриппа или аллергии в конкретном регионе, помогая местным властям проводить эффективную информационную кампанию в области здравоохранения.

Проблемы больших данных для большой фармацевтики

Статистические технологии зависят от качества данных для получения значимых и эффективных результатов. Следовательно, фармацевтические и медицинские компании должны сбалансировать Общий регламент ЕС по защите данных (GDPR), начиная с 2018 года. Он также все еще применим к Великобритании, которая покидает ЕС. Данные, предоставленные с согласия пациента GDPR, включают следующие категории:

Идентификационные данные: любая информация, идентифицирующая человека (имя, адрес, идентификационный номер, адрес электронной почты, учетные записи в социальных сетях и т. д.).
Персональные данные: данные, касающиеся физической, генетической, физиологической, умственной, культурной, экономической или социальной идентичности человека.
Биометрические данные: любые данные, включая физические, поведенческие или физиологические данные человека.
Генетические данные: данные о приобретенных генетических или унаследованных характеристиках, любые данные из биологического образца.
Данные о здоровье: любые данные, касающиеся личного физического или психического здоровья.

Эти правила имеют экстерриториальный охват, а это означает, что любой глобальный бизнес, имеющий дело с клиентами из ЕС, должен учитывать этот аспект. Несоблюдение GDPR приводит к штрафу в размере 4% от годового глобального дохода или 20 миллионов евро. Звучит не вдохновляюще, не так ли?

Пер Дэвид Шампань, член McKinsey Digital Practice, и др. в их статье, посвященной реализации потенциала машинного обучения, есть способ избежать узкого места. Фармацевтические компании могут эффективно преодолевать регуляторный ландшафт. А пока все актеры должны учитывать следующие моменты:

Качество данных является решающим фактором успеха, и всем нам необходимо тщательно продумать использование данных.
Прозрачность: отказ от подхода «черного ящика» и объяснение «волшебных» элементов ключевым заинтересованным сторонам.
Достоверность: результаты должны соответствовать экспертным знаниям в предметной области и установленным научным знаниям.
Справедливость: избегание предубеждений клинической и социальной среды.
Воздействие: способность оценивать результаты как более продуктивные, чем предыдущая практика.
Воспроизводимость результатов: алгоритмы должны по-прежнему работать при работе с данными в реальном времени.

ИИ и ОД против COVID-19

Недавние исследования во всем мире экспериментируют с методами искусственного интеллекта и машинного обучения для принятия решений при лечении, прогнозирования выздоровления и расстановки приоритетов для пациентов. Пандемия также спровоцировала развитие телемедицины, поскольку недавний случай в Испании показывает эффект использования данных пациентов для прогнозирования того, нуждается ли человек в немедленной госпитализации в отделение интенсивной терапии. Подробнее о борьбе с пандемией искусственного интеллекта и машинного обучения читайте в нашей недавней публикации.

Пер Суброто Мукерджи, искусственный интеллект и машинное обучение могут сыграть свою роль в борьбе с пандемией, узнав биологический секрет коронавируса. Кризис затронул не только разработку лекарств, но и глобальную цепочку поставок. Возможности искусственного интеллекта в области планирования, прогнозирования, автоматизации и совместной работы также могут дать волю руководству компаний-поставщиков.

Такие приложения, как обработка естественного языка и компьютерное зрение, применимы к текущим инициативам. Белый дом США с помощью сообщества искусственного интеллекта начал процесс поиска медицинской литературы, чтобы понять природу коронавируса. Компании, занимающиеся медицинской визуализацией, уже используют обработку изображений компьютерной томографии для выявления пневмонии, вызванной коронавирусом.

Подведение итогов

Машинное обучение и искусственный интеллект демонстрируют революционную силу на европейском фармацевтическом рынке и рынке здравоохранения. Между тем, это область, которая все еще нуждается в поиске оптимального метода работы, касающегося конфиденциальности и ясности для всех участников. Чтобы соответствовать всем критериям и обеспечить прогресс в текущей глобальной борьбе с пандемией, мы должны применять известные инструменты с учетом рекомендаций. Осмелиться добиться положительных результатов в экспоненциальном росте с помощью ИИ и машинного обучения вполне реально.