Sağlık ve Yaşam Bilimlerinde Otomasyon: Nasıl Yardımcı Olur ve Sırada Ne Var?
Klinik denemeler için katılımcı toplama aşaması ortalama 18 ay sürer ve kanser denemelerinin yaklaşık %20'si düşük katılım oranları nedeniyle başarısız olur . Otomasyon ve yapay zeka, uygun katılımcıları belirleyip katılımcı toplayarak bu süreci iyileştirebilir ve hastalara hayat kurtarıcı tedavilerin daha hızlı ulaştırılmasına yardımcı olabilir.
Robotik süreç otomasyon araçları, hasta kayıtlarını değerlendirip uygun denemelerle eşleştirerek bu alanda özellikle faydalı olabilir.
Poon, "Tıbbi soyutlama sıkıcı ve pahalı olabilir. Klinik deneme eşleştirmesinde, deneme uygunluğunu yapılandırmak kolaydır, oysa hasta kayıtlarını yapılandırmak gerçek darboğazdır," diyor. "RPA'nın bilgi toplama, normalleştirme, bütünleştirme ve klinik deneme eşleştirme senaryolarını otomatikleştirmek için aracılar sunarak nasıl büyük üretkenlik kazanımlarının kilidini açabileceğine" dair bir örnek olarak Microsoft'un Healthcare Agent Orchestrator'ını gösteriyor.
Akıllı belge işleme araçları da faydalı olduğunu kanıtlıyor. IDP, araştırma ekiplerinin manuel hatalardan kaçınmasına, hasta verisi doğruluğunu artırmasına ve büyük hacimli kümeleri daha verimli bir şekilde analiz etmesine yardımcı olabilir. Amazon Web Services, büyük dil modelleriyle desteklendiğinde IDP'lerin raporlar üretebileceğini ve eyleme dönüştürülebilir içgörüler ortaya çıkarabileceğini belirtiyor.
Ulusal Sağlık Enstitüleri'nde geliştirilen TrialGPT algoritması bu tür bir teknolojinin bir örneğidir. Bir pilot çalışmada araştırmacılar, hastaları deneme uygunluğu açısından değerlendirirken TrialGPT'nin taramaya %40 daha az zaman harcadığını ancak insan klinisyenlerle aynı doğruluk düzeyine ulaştığını buldular. TrialGPT ayrıca bir hastanın bir deneme için neden uygun olduğunu açıklayan özetler oluşturdu.
İlaç Keşfinde Bulut ve Gelişmiş Analitiğin RolüPoon, "Biz ve diğerleri, umut vadeden ilaç adayları üretmek için AI sistemlerini zaten kullandık ve önümüzdeki birkaç yıl içinde bu tür başarıların hızla artacağını bekliyorum" diyor. "Hedef tanımlama, öncü bileşik tanımlama ve optimizasyon için gereken süreyi kısaltabiliriz."
Araştırmacılar, genellikle üç ila altı yıl süren ve yeni bir tedavi geliştirmenin toplam maliyetinin yaklaşık %35'ini oluşturan ilaç keşif aşamasının AI ile bir veya iki yıl kısaltılabileceğini söylüyor . Bunun nedeni, AI'nın farklı bileşiklerin etkilerini bir insandan daha hızlı tanımlayıp test edebilmesidir.
Bu tür analizler için gelişmiş veri analitiği kritik öneme sahiptir. Yapay zeka destekli algoritmalar, yeni bir ilaç oluşturmada hangi kombinasyonların en etkili olacağını belirlemek için birden fazla veritabanındaki büyük miktardaki bilgileri analiz edebilir ve karşılaştırabilir.
Bu tür bir çalışma bulut bilişim ve depolama olmadan mümkün olmazdı. Şirket içi veri merkezlerinin tanımlanmış miktarda alanı olsa da bulut, yaşam bilimleri kuruluşlarına bu büyük veri kümelerini yönetmek ve analiz etmek için ihtiyaç duyabilecekleri sınırsız ölçeği sağlar.
Bulut ayrıca kuruluşların depolama kapasitelerini ayarlamalarına ve dolayısıyla güçlü grafik işlem birimlerine ve CPU'lara erişim için satıcılarla ortaklık kurarak maliyetleri daha iyi kontrol etmelerine olanak tanır.
"Diyelim ki birGoogle Cloud ortamında çalışıyorsunuz ve protein katlama senaryolarını çalıştırmak için yüksek performanslı bilgi işlem araçlarını kullanıyorsunuz," diyor UiPath'te yaşam bilimleri endüstri direktörü Joe Miles. "Daha sonra bu bilgileri alıp, bireysel bir denemeyle ilgili olduğu için uygun depolara yönlendirebilirsiniz."
healthtechmagazine
