เร่งการทดลองทางคลินิกผ่านระบบอัตโนมัติและ AI
ขั้นตอนการรับสมัครสำหรับการทดลองทางคลินิกใช้เวลาเฉลี่ย 18 เดือนและเกือบ 20% ของการทดลองมะเร็งล้มเหลวเนื่องจากอัตราการสะสมต่ำ ระบบอัตโนมัติและ AI สามารถปรับปรุงกระบวนการนี้ – และช่วยนำการรักษาช่วยชีวิตผู้ป่วยได้เร็วขึ้น – โดยการระบุและสรรหาผู้เข้าร่วมที่มีสิทธิ์
เครื่องมืออัตโนมัติกระบวนการหุ่นยนต์สามารถเป็นประโยชน์อย่างยิ่งในพื้นที่นี้โดยการประเมินบันทึกผู้ป่วยและจับคู่พวกเขาสำหรับการทดลองที่เหมาะสม
“ สิ่งที่เป็นนามธรรมทางการแพทย์อาจน่าเบื่อและมีราคาแพงในการจับคู่การทดลองทางคลินิกมันเป็นเรื่องง่ายที่จะจัดโครงสร้างคุณสมบัติการทดลองในขณะที่โครงสร้างของบันทึกผู้ป่วยเป็นคอขวดที่ถูกต้อง” Poon กล่าว เขาเสนอราคาตัวแทนสุขภาพของ Microsoft เป็นตัวอย่างของ “วิธีที่ RPA สามารถปลดล็อคการเพิ่มผลผลิตขนาดใหญ่ได้โดยการแนะนำตัวแทนเพื่อทำให้การรวบรวมข้อมูลอัตโนมัติ, การทำให้เป็นมาตรฐาน, การรวมและสถานการณ์การจับคู่การทดลองทางคลินิก”
เครื่องมือการประมวลผลเอกสารอัจฉริยะก็กลายเป็นประโยชน์ IDP สามารถช่วยให้ทีมวิจัยหลีกเลี่ยงข้อผิดพลาดด้วยตนเองปรับปรุงข้อมูลของผู้ป่วยและวิเคราะห์ชุดปริมาณมากได้อย่างมีประสิทธิภาพมากขึ้น Amazon Web Services ชี้ให้เห็นว่า IDPs เมื่อขับเคลื่อนด้วยโมเดลภาษาขนาดใหญ่สามารถสร้างรายงานและเปิดเผยข้อมูลเชิงลึกการกระทำ
Trialgpt -Gorithm พัฒนาโดยสถาบันสุขภาพแห่งชาติเป็นตัวอย่างของเทคโนโลยีประเภทนี้ ในการศึกษานำร่องนักวิจัยพบว่าโดยการประเมินผู้ป่วยเพื่อรับสิทธิ์ทดลอง Triagept ใช้เวลาในการคัดกรองน้อยลง 40% แต่ประสบความสำเร็จในระดับเดียวกับแพทย์ของมนุษย์ Trialgpt ยังสร้างบทสรุปที่อธิบายว่าทำไมผู้ป่วยจึงเหมาะสมสำหรับการทดลอง
สำรวจ: นี่คือ 13 วิธี AI ช่วยปรับปรุงการดำเนินงานด้านสุขภาพการดูแลผู้ป่วยและการรักษา
บทบาทของคลาวด์และขั้นสูงได้รับการวิเคราะห์ในการค้นพบยาเสพติด
“ เราและคนอื่น ๆ ได้ใช้ระบบ AI เพื่อสร้างผู้สมัครยาที่มีแนวโน้มและฉันคาดหวังว่าจะประสบความสำเร็จในการรวบรวมอย่างรวดเร็วในอีกไม่กี่ปีข้างหน้า” Poon กล่าว “เราสามารถลดเวลาสำหรับการระบุเป้าหมายการระบุการเชื่อมต่อและการปรับให้เหมาะสมที่สุด”
นักวิจัยกล่าวว่าขั้นตอนการค้นพบยาซึ่งโดยทั่วไปจะใช้เวลาสามถึงหกปีและคิดเป็นประมาณ 35% ของค่าใช้จ่ายทั้งหมดในการพัฒนาการรักษาใหม่สามารถทำให้สั้นลงหนึ่งหรือสองปีด้วย AI นี่เป็นเพราะ AI สามารถระบุและทดสอบผลกระทบของสารประกอบต่าง ๆ ได้เร็วกว่ามนุษย์
การวิเคราะห์ข้อมูลขั้นสูงมีความสำคัญอย่างยิ่งต่อการวิเคราะห์ประเภทนี้ อัลกอริทึมที่ขับเคลื่อนด้วย AI สามารถวิเคราะห์และเปรียบเทียบข้อมูลจำนวนมากในหลายฐานข้อมูลเพื่อระบุว่าชุดค่าผสมใดจะมีประสิทธิภาพมากที่สุดในการสร้างยาใหม่
งานประเภทนี้จะเป็นไปไม่ได้หากไม่มีการประมวลผลแบบคลาวด์และการจัดเก็บ ในขณะที่ศูนย์ข้อมูลในท้องถิ่นมีพื้นที่ที่กำหนดไว้ แต่คลาวด์ให้องค์กรวิทยาศาสตร์เพื่อชีวิตด้วยสเกลไม่ จำกัด ที่พวกเขาอาจจำเป็นต้องจัดการและวิเคราะห์ชุดข้อมูลขนาดใหญ่เหล่านี้
คลาวด์ยังช่วยให้องค์กรสามารถปรับความสามารถในการจัดเก็บของพวกเขา – และดังนั้นค่าใช้จ่ายในการควบคุมที่ดีขึ้น – โดยการร่วมมือกับซัพพลายเออร์สำหรับการเข้าถึงหน่วยบำบัดกราฟิกที่ทรงพลังและซีพียู
“สมมติว่าคุณทำงานในสภาพแวดล้อมของ Google Cloud และใช้การคำนวณประสิทธิภาพสูงของพวกเขาในการเรียกใช้สถานการณ์การพับโปรตีน” Joe Miles อุตสาหกรรมเพื่อวิทยาศาสตร์เพื่อชีวิตที่ UIPATH กล่าว “คุณสามารถใช้ข้อมูลนี้และกำหนดเส้นทางไปยังไซต์จัดเก็บที่เหมาะสมเนื่องจากเกี่ยวข้องกับการทดสอบแต่ละครั้ง”