Automatisering in de gezondheidszorg en de levenswetenschappen: hoe het helpt en wat de toekomst brengt
De wervingsfase voor klinische studies duurt gemiddeld 18 maanden en bijna 20% van de kankerstudies mislukt vanwege een lage aanwas. Automatisering en AI kunnen dit proces verbeteren – en helpen om patiënten sneller van levensreddende behandelingen te voorzien – door geschikte deelnemers te identificeren en te werven.
Robotic Process Automation -tools kunnen op dit gebied bijzonder nuttig zijn, omdat ze patiëntendossiers kunnen beoordelen en koppelen aan geschikte onderzoeken.
"Medische abstractie kan omslachtig en duur zijn. Bij het matchen van klinische studies is het structureren van de geschiktheid voor studies eenvoudig, terwijl het structureren van patiëntendossiers de echte bottleneck vormt", aldus Poon. Hij noemt Microsofts Healthcare Agent Orchestrator als voorbeeld van "hoe RPA potentieel enorme productiviteitswinst kan opleveren door agents te introduceren voor het automatiseren van informatieverzameling, normalisatie, integratie en het matchen van klinische studies."
Intelligente tools voor documentverwerking blijken ook nuttig. IDP's kunnen onderzoeksteams helpen handmatige fouten te voorkomen, de nauwkeurigheid van patiëntgegevens te verbeteren en grote hoeveelheden gegevens efficiënter te analyseren. Amazon Web Services wijst erop dat IDP's, aangestuurd door grote taalmodellen, rapporten kunnen genereren en bruikbare inzichten kunnen ontdekken.
Het TrialGPT-algoritme , ontwikkeld door de National Institutes of Health, is een voorbeeld van dit soort technologie. In een pilotstudie ontdekten onderzoekers dat TrialGPT 40% minder tijd besteedde aan screening bij het beoordelen van patiënten op geschiktheid voor een onderzoek, maar wel dezelfde nauwkeurigheid behaalde als klinische artsen. TrialGPT maakte ook samenvattingen waarin werd uitgelegd waarom een patiënt geschikt was voor een onderzoek.
De rol van de cloud en geavanceerde analyses bij medicijnontdekking"Wij en anderen hebben al AI-systemen gebruikt om veelbelovende kandidaat-geneesmiddelen te ontwikkelen , en ik verwacht dat dergelijke successen de komende jaren snel zullen toenemen", zegt Poon. "We kunnen de tijd voor doelwitidentificatie, de identificatie van leidende verbindingen en optimalisatie verkorten."
Onderzoekers zeggen dat de fase van medicijnontwikkeling, die doorgaans drie tot zes jaar duurt en ongeveer 35% van de totale kosten voor de ontwikkeling van een nieuwe behandeling vertegenwoordigt, met kunstmatige intelligentie (AI) met één tot twee jaar kan worden verkort. Dat komt doordat AI de effecten van verschillende stoffen sneller kan identificeren en testen dan een mens.
Geavanceerde data-analyse is cruciaal voor dit type analyse. AI-gestuurde algoritmen kunnen enorme hoeveelheden informatie uit meerdere databases analyseren en vergelijken om te bepalen welke combinaties het meest effectief zijn bij het ontwikkelen van een nieuw medicijn.
Dit soort werk zou niet mogelijk zijn zonder cloudcomputing en -opslag . Terwijl on-premises datacenters een bepaalde hoeveelheid ruimte hebben, biedt de cloud life sciences-organisaties de onbeperkte schaal die ze nodig hebben om deze grote datasets te beheren en analyseren.
Dankzij de cloud kunnen organisaties bovendien hun opslagcapaciteit aanpassen en zo de kosten beter beheersen door samen te werken met leveranciers voor toegang tot krachtige grafische verwerkingseenheden (GPU's) en CPU's.
"Stel dat je in eenGoogle Cloud -omgeving werkt en hun high-performance computing gebruikt om eiwitvouwingsscenario's uit te voeren", zegt Joe Miles, industrieel directeur life sciences bij UiPath. "Je kunt die informatie vervolgens naar de juiste opslagplaatsen sturen, afhankelijk van de specifieke studie."
healthtechmagazine
