Một viên thuốc mỗi ngày: AI THỰC SỰ CÓ THỂ LÀM GÌ TRONG NGÀNH DƯỢC PHẨM

Hãy xem các số liệu thống kê này:

• Trí tuệ nhân tạo có thể giảm tới 70% chi phí khám phá thuốc theo một nghiên cứu gần đây của Insider Intelligence
• AI có thể tiết kiệm dược phẩm 28 tỷ đô la một năm cho nghiên cứu lâm sàng trong khi cắt giảm một nửa thời gian của giai đoạn
• AI có thể tiết kiệm cho các công ty dược phẩm tới 54 tỷ đô la hàng năm cho chi phí R&D

Không có gì đáng ngạc nhiên khi các công ty dược phẩm chuyển sang các dịch vụ AI y tế để cắt giảm chi phí và thời gian cần thiết cho việc phát triển thuốc. AI toàn cầu trong thị trường dược phẩm được định giá khoảng 905 triệu đô la vào năm 2021 và ước tính sẽ vượt qua 9.241 triệu đô la vào năm 2030, tăng trưởng với tốc độ CAGR là 29,4%.

Có động lực để tìm hiểu thêm về cách sử dụng trí tuệ nhân tạo trong ngành dược phẩm có thể cải thiện quy trình phát triển thuốc của bạn? Sau đó tiếp tục đọc.

5 trường hợp sử dụng AI hàng đầu trong lĩnh vực dược phẩm

Bạn sẽ nhận thấy rằng các công ty dược phẩm thường hợp tác với các nhà đổi mới công nghệ để triển khai thành công AI. Accenture đã thực hiện một cuộc khảo sát trong đó 61% số người được hỏi cho biết lợi nhuận tăng ít nhất 5% sau khi hợp tác với nhà cung cấp công nghệ, với 76% giám đốc điều hành dược phẩm cho rằng quan hệ đối tác hiệu quả là yếu tố thành công chính.

Dưới đây là 5 ứng dụng hàng đầu của trí tuệ nhân tạo trong dược phẩm.

Nghiên cứu chế tạo thuốc

Văn phòng Ngân sách Quốc hội báo cáo rằng chi phí R&D để phát triển một loại thuốc mới có thể vượt quá 2 tỷ USD , bao gồm cả nghiên cứu và thử nghiệm lâm sàng.

Việc triển khai AI trong dược phẩm cho phép các nhà nghiên cứu sàng lọc các bộ dữ liệu khổng lồ, chẳng hạn như thư viện phân tử nhỏ và phát hiện các mẫu bệnh, đồng thời tìm hiểu thành phần hóa học nào có thể phù hợp với các mục tiêu sinh học khác nhau. AI có thể tạo ra các hợp chất hóa học dưới dạng chuỗi văn bản hoặc dưới dạng kiến trúc đồ thị. Điều quan trọng là phải xác thực các hợp chất thu được, vì nhiều hợp chất trong số chúng sẽ không có ý nghĩa, có thể độc hại hoặc có thể chứa một thành phần không nên là một phần của bất kỳ loại thuốc nào.

Ngoài việc khám phá các thành phần ứng cử viên, các nhà khoa học có thể sử dụng thuật toán AI để phân tích tài liệu y khoa về cách tổng hợp thuốc tốt nhất và thiết kế các thử nghiệm lâm sàng. Nghiên cứu cho thấy rằng trí tuệ nhân tạo trong dược phẩm có thể cắt giảm 50% thời gian tổng hợp và sàng lọc thuốc, tiết kiệm cho ngành dược phẩm tới 26 tỷ đô la chi phí hàng năm.

Có rất nhiều ví dụ tuyệt vời về việc các công ty dược phẩm triển khai các giải pháp AI để tạo điều kiện thuận lợi cho việc khám phá thuốc. Chẳng hạn, GSK, một công ty dược phẩm của Anh có trụ sở tại London, đã hợp tác với Công nghệ sinh học Vir của California trong đại dịch để đẩy nhanh quá trình phát hiện kháng thể COVID-19 với sự trợ giúp của AI và công cụ chỉnh sửa gen người, CRISPR. Trước đây, Vir đã có một nền tảng kháng thể mà nó đã triển khai để khám phá các loại thuốc điều trị các mầm bệnh đường hô hấp khác nhau. Và giờ đây, trong sự hợp tác này, họ đã phát hiện ra sotrovimab, một kháng thể liên kết với một epitope của SARS-CoV-2 để vô hiệu hóa COVID-19.

Trong một ví dụ khác về sự hợp tác giữa Châu Âu và Hoa Kỳ, công ty dược phẩm và chăm sóc sức khỏe Sanofi của Pháp đã hợp tác với nhà cải tiến công nghệ sinh học Atomwise có trụ sở tại California để khám phá và tổng hợp các hợp chất thuốc cho năm mục tiêu khác nhau. Sanofi muốn tránh xa phương pháp khám phá thuốc truyền thống và đã trả trước cho Atomwise 20 triệu đô la để đổi mới và khả năng AI của họ.

Các thử nghiệm lâm sàng

AI có nhiều ứng dụng trong các thử nghiệm lâm sàng . Một trong số đó là xác định đúng ứng viên tham gia. Công nghệ này có thể phân tích dữ liệu bệnh nhân, thông tin di truyền, ghi chú của bác sĩ và các thông tin khác, đồng thời chọn những người đủ điều kiện tham gia một thử nghiệm cụ thể. AI thậm chí có thể giúp quyết định quy mô dân số tối ưu dựa trên mô tả hiện có về các thử nghiệm tương tự.

86% thử nghiệm lâm sàng không tuyển đủ bệnh nhân trong khung thời gian mục tiêu của họ. Một phần ba thử nghiệm lâm sàng giai đoạn Ⅲ phải dừng lại do những thách thức liên quan đến tuyển dụng.

Chẳng hạn, IBM Watson dựa vào phân tích và xử lý ngôn ngữ tự nhiên (NLP) để phân tích thông tin bệnh nhân. Công cụ này có thể xử lý dữ liệu phi cấu trúc, chẳng hạn như ghi chú của bác sĩ và tạo ra một bản tóm tắt sâu sắc về bệnh nhân. Các nhà nghiên cứu lâm sàng sử dụng những điểm nổi bật này để lựa chọn và tuyển dụng bệnh nhân.

Khi AI giúp các công ty dược phẩm tìm kiếm bệnh nhân, nó cũng hoạt động theo cách ngược lại. Thuốc giải độc , một nền tảng tuyển dụng bệnh nhân thử nghiệm lâm sàng, sử dụng NLP để phân tích văn bản của họ và sàng lọc họ theo tiêu chí đưa vào/loại trừ thử nghiệm. Nó yêu cầu bệnh nhân trả lời một số câu hỏi đơn giản trên nền tảng của nó và đề xuất một danh sách các thử nghiệm mà người đó có thể tham gia.

sản xuất thuốc

Triển khai AI trong ngành dược phẩm mang đến nhiều cơ hội để cải thiện quy trình sản xuất thuốc. Công nghệ có thể:

• Hỗ trợ kiểm tra chất lượng thuốc . AI có thể kiểm tra thuốc trên băng chuyền và phát hiện các khuyết tật, chẳng hạn như bao bì bị hư hỏng. Hơn nữa, công nghệ này có thể xác định bất kỳ vấn đề tiềm ẩn nào bằng cách phân tích dữ liệu sản xuất, chẳng hạn như kiểm tra kiểm soát chất lượng. Chẳng hạn, AstraZeneca sử dụng công nghệ máy học để phân tích hình ảnh thuốc tìm khiếm khuyết, trong khi Merck áp dụng AI để phát hiện các vấn đề trong lọ vắc-xin.

  

• Tạo điều kiện bảo trì dự đoán . AI có thể giám sát thiết bị trên dây chuyền sản xuất và xác định các lỗi tiềm ẩn thông qua các cảm biến đo độ rung, nhiệt độ, âm thanh của thiết bị, v.v. Điều này giúp nhân viên có thời gian để sửa chữa thiết bị trước khi thiết bị bị hỏng, tạm dừng sản xuất.
• Cắt giảm chất thải vật liệu . AI có thể phân tích dữ liệu về mức tiêu thụ năng lượng, chất thải nguyên liệu thô và các thông số khác và đưa ra các khuyến nghị về cách cải thiện quy trình sản xuất . Ngoài ra, công nghệ này có thể dự đoán nhu cầu, để các nhà sản xuất dược phẩm tránh sản xuất số lượng lớn thuốc không được tiêu thụ và nếu không sẽ bị lãng phí.

tiếp thị thuốc

Lĩnh vực dược phẩm chủ yếu phụ thuộc vào doanh số bán hàng. Các công ty đặt mục tiêu tiếp cận càng nhiều khách hàng càng tốt trong khi cung cấp trải nghiệm người dùng đặc biệt và cách tiếp cận tùy chỉnh. Trí tuệ nhân tạo trong dược phẩm có thể tạo điều kiện thuận lợi cho việc tiếp thị thuốc bằng cách:

• So sánh các chiến dịch tiếp thị trong quá khứ và xác định các phương pháp có lợi nhất. Công nghệ này cũng có thể phân tích các chiến thuật thu hút khách hàng và chọn ra những chiến thuật thành công nhất.
• Tổng hợp dữ liệu khách hàng trong thời gian thực để hiểu hành vi của họ và những gì họ đang tìm kiếm để tạo quảng cáo phù hợp.
• Tối ưu hóa việc định giá các loại thuốc mới bằng cách xem xét tất cả các bên liên quan và dữ liệu về các loại thuốc tương tự.
• Mô phỏng các kịch bản thị trường khác nhau bằng cách dự báo những thay đổi về nhu cầu, hành vi của đối thủ cạnh tranh, v.v. Điều này cho phép các công ty dược phẩm chuẩn bị sẵn sàng cho những thay đổi đột ngột trong bối cảnh.
• Tìm người tiêu dùng mới cho các loại thuốc hiện có. Chẳng hạn, Pfizer đã dựa vào AI để phát hiện và tiếp cận khách hàng tiềm năng mới cho Chantix (một loại thuốc giúp mọi người bỏ thuốc lá). Công cụ này đã phân tích dữ liệu từ Trung tâm Kiểm soát và Phòng ngừa Dịch bệnh để xác định các phân khúc dân số chưa được khai thác trước đây.

Tối ưu hóa liều lượng thuốc

AI có thể phân tích một lượng lớn dữ liệu bệnh nhân phi cấu trúc và tính toán liều lượng tối ưu của một loại thuốc cụ thể cho người này để đạt được kết quả tốt nhất có thể với tác dụng phụ tối thiểu. Các mô hình trí tuệ nhân tạo trong ngành dược phẩm có thể phân tích các thông tin sau:

• Lịch sử y tế, chẳng hạn như ghi chú của bác sĩ, kết quả xét nghiệm trong phòng thí nghiệm, trang điểm di truyền
• Hình ảnh y tế, chẳng hạn như chụp cộng hưởng từ (MRI)
• Dấu ấn sinh học, chẳng hạn như mức độ protein và đột biến gen
• Đặc điểm của thuốc, chẳng hạn như sự trao đổi chất của nó
• Tác dụng phụ tiềm ẩn của một loại thuốc và các loại thuốc tương tự

Khi liều lượng tối ưu được tính toán, công nghệ có thể theo dõi hiệu quả của nó và điều chỉnh khi cần thiết.

Để đưa ra một ví dụ thực tế, một công ty Dosis có trụ sở tại California đã xây dựng một nền tảng định lượng thuốc được cá nhân hóa dựa trên AI mà các phòng khám lọc máu có thể sử dụng để quản lý việc uống thuốc mãn tính. Trong cuộc phỏng vấn với HealthcareITNews, Giám đốc điều hành của Dosis, Shivrat Chhabra, đã đề cập đến nền tảng này đã giúp khách hàng giảm 25% mức tiêu thụ thuốc đồng thời cải thiện kết quả điều trị cho bệnh nhân.

Những thách thức liên quan đến việc triển khai AI trong dược phẩm

Một số trong những trở ngại này là dành riêng cho lĩnh vực này và một số trở ngại chung hơn và áp dụng cho tất cả các dự án liên quan đến công nghệ này. Một trong những thách thức chính là chi phí khổng lồ liên quan đến trí tuệ nhân tạo . Điều này đặc biệt khó khăn vì chi phí liên quan đến phát triển thuốc đã khá cao. Bạn có thể liên hệ với các chuyên gia tư vấn AI có kinh nghiệm để tìm hiểu cách cắt giảm chi phí mà vẫn có được một sản phẩm khả thi.

Dưới đây là những thách thức nổi bật khác mà bạn có thể gặp phải trong quá trình triển khai AI dược phẩm.

Chất lượng và số lượng dữ liệu

Theo một nghiên cứu gần đây của McKinsey, việc thiếu nguồn dữ liệu tích hợp là trở ngại chính trên con đường áp dụng phân tích trong lĩnh vực chăm sóc sức khỏe.

Các mô hình Pharma AI thường yêu cầu bộ dữ liệu lớn để tìm hiểu. Tuy nhiên, đó là một thách thức để có được bộ dữ liệu đầy đủ cho từng bệnh, đặc biệt là những bệnh hiếm gặp. Vì vậy, khi các bộ dữ liệu đào tạo ngày càng nhỏ hơn, dữ liệu mà một công cụ phát triển thuốc do AI cung cấp phải xử lý sẽ khá phức tạp. Hãy nghĩ về dữ liệu bệnh nhân. Nó bao gồm thông tin lịch sử, bản chất di truyền, ghi chú của bác sĩ, ảnh quét y tế, v.v. Trong những điều kiện này, việc xây dựng các thuật toán chính xác là một thách thức.

Khi thiếu dữ liệu đào tạo, có thể sử dụng trình tạo dữ liệu tổng hợp cho một số ứng dụng dược phẩm. Chẳng hạn, Mostly AI tuyên bố nó có thể tạo dữ liệu phù hợp cho việc sử dụng dược phẩm. Dữ liệu chăm sóc sức khỏe là một trong những loại dữ liệu nhạy cảm nhất và quyền riêng tư là điều cốt yếu trong các ứng dụng như vậy. Bộ dữ liệu tổng hợp có thể giải quyết vấn đề này. Như Andreas Ponikiewicz, Phó Giám đốc Kinh doanh Toàn cầu của Mostly AI, đã nói: “Với dữ liệu chăm sóc sức khỏe tổng hợp dựa trên AI tổng hợp, chứa tất cả các mẫu thống kê, nhưng hoàn toàn nhân tạo, dữ liệu có thể được cung cấp mà không có rủi ro về quyền riêng tư.”

Một lựa chọn khác để thu thập dữ liệu để thử nghiệm AI và dược phẩm là trở thành một phần của sự hợp tác chuyên biệt. Ví dụ, Viện Công nghệ Massachusetts đã khởi xướng Hiệp hội Học máy để Khám phá và Tổng hợp Dược phẩm. 13 công ty dược phẩm đã tham gia vào tập đoàn để thiết kế và xây dựng các thuật toán AI để khám phá phân tử nhỏ.

Bạn cần đảm bảo rằng dữ liệu được sử dụng trong các ứng dụng dược phẩm đều là dữ liệu thực tế. Nhưng khá tốn kém để xác minh điều đó, vì nó cần sự can thiệp của các chuyên gia con người.

Thiếu khả năng tương tác và tiêu chuẩn dữ liệu thống nhất

Vẫn còn nhiều tiêu chuẩn và quy định về CNTT chăm sóc sức khỏe , điều đó có nghĩa là mỗi bệnh viện có thể áp dụng một tiêu chuẩn do họ lựa chọn để lưu trữ và định dạng dữ liệu. Điều này gây khó khăn cho việc tích hợp và sử dụng dữ liệu bệnh nhân cần thiết cho nghiên cứu liên quan đến thuốc từ các cơ sở y tế khác nhau.

Những vấn đề về AI trong ngành dược phẩm có thể được giải quyết ở cấp chính phủ. Chẳng hạn, Mạng lưới Sức khỏe Cá nhân hóa Thụy Sĩ (SPHN) là một sáng kiến thống nhất dữ liệu sức khỏe của chính phủ Thụy Sĩ. SPHN được thành lập để xây dựng cơ sở hạ tầng quốc gia nhằm hợp lý hóa việc trao đổi dữ liệu y tế giữa các bệnh viện, viện nghiên cứu và cơ quan quản lý của Thụy Sĩ.

Ở cấp độ cá nhân, các nhà nghiên cứu dược phẩm có thể hưởng lợi từ các nền tảng như Deep 6 AI , sử dụng NLP để quét và trích xuất dữ liệu từ các hệ thống hồ sơ sức khỏe điện tử (EHRs) không đồng nhất.

sai lệch thuật toán

“Tất cả dữ liệu đều sai lệch. Đây không phải là hoang tưởng. Đây là sự thật."

– Tiến sĩ Sanjiv Narayan, giáo sư y khoa tại Đại học Stanford.

Các mô hình do AI cung cấp có thể dễ dàng phát triển sai lệch nếu tập dữ liệu đào tạo của chúng không đại diện cho dân số mục tiêu. Dữ liệu sai lệch đặc biệt là một vấn đề trong lĩnh vực dược phẩm và chăm sóc sức khỏe. Nghiên cứu cho thấy rằng chỉ một số sản phẩm do AI cung cấp được đệ trình để FDA chấp thuận cung cấp bằng chứng về vấn đề thiên vị.

Một số chuyên gia y tế tin rằng sẽ giúp giảm thiểu sai lệch nếu các nhà khoa học dữ liệu hợp tác chặt chẽ hơn với các bác sĩ lâm sàng và tìm hiểu thêm về dữ liệu trong khi xây dựng thuật toán. Họ có thể yêu cầu thông tin, chẳng hạn như dữ liệu đến từ đâu và mục tiêu ban đầu của việc thu thập dữ liệu là gì. Sau đó, các kỹ sư có thể thực hiện các điều chỉnh đối với các thuật toán để giải quyết bất kỳ sự trình bày sai nào về dân số.

Các thuật toán cũng có thể bị sai lệch khi chúng tiếp tục học trong công việc. Do đó, kiểm toán có hệ thống là điều cần thiết để đảm bảo rằng tất cả các công cụ dựa trên AI vẫn phù hợp và hoạt động như mong đợi.

Tích hợp với các hệ thống hiện có

Triển khai AI trong dược phẩm có nghĩa là tích hợp nó với các nền tảng và ứng dụng hiện có. Nhiều công ty dược phẩm vẫn dựa vào các hệ thống cũ lỗi thời không được thiết kế để hoạt động với AI hoặc xử lý một lượng lớn dữ liệu. Những hệ thống như vậy sử dụng các giao thức độc quyền của chúng và khó tích hợp với các ứng dụng hiện đại .

Các công ty dược phẩm muốn sử dụng công nghệ hiện đại cùng với các hệ thống cũ có thể hưởng lợi từ các giải pháp phần mềm dược phẩm tùy chỉnh được thiết kế để phù hợp liền mạch với các hệ thống cũ hiện có.

Sự phức tạp của các ứng dụng dược phẩm

Các trường hợp sử dụng trí tuệ nhân tạo trong ngành dược phẩm khá phức tạp và có rất nhiều sai sót trong các dự đoán mà công nghệ này đưa ra. Đây là những gì làm cho dược phẩm trở nên phức tạp:

• Mỗi bệnh nhân đều có những đặc điểm riêng và nhiều yếu tố cần xem xét trong các thử nghiệm lâm sàng. Nếu bạn đang phát triển một loại thuốc cho các vấn đề liên quan đến gan, bạn cần tìm những người tham gia thử nghiệm không có tình trạng sức khỏe nào khác có thể ảnh hưởng và ảnh hưởng đến kết quả của bạn.
• Sự cần thiết phải xem xét sự tương tác giữa các loại thuốc khác nhau vì một người có thể dùng nhiều loại thuốc để điều trị các tình trạng khác nhau.
• Tính đa dạng của bệnh vì một tình trạng y tế có thể có một số biến thể và biểu hiện theo những cách khác nhau.
• Tập dữ liệu đào tạo mô tả các bệnh và phương pháp điều trị không cân bằng, điều này có thể buộc thuật toán đề xuất giải pháp xảy ra thường xuyên nhất ngay cả khi đó không phải là giải pháp chính xác.

Tóm lại

Deloitte báo cáo rằng chỉ một vài trong số 7.000 bệnh hiếm gặp mà chúng ta biết đã chứng kiến một số tiến triển trong những năm qua. Và công ty tư vấn tin rằng AI trong dược phẩm có thể thay đổi điều này. Ngoài các ứng dụng được đề cập ở trên, AI có thể giúp các công ty dược phẩm đạt được sự tuân thủ , điều này rất quan trọng trong lĩnh vực này.

Nếu bạn muốn kết hợp công nghệ tiên tiến này vào doanh nghiệp của mình, bạn có thể phải hợp tác với một nhà cung cấp công nghệ mà bạn chọn. Ngoài ra, đó là một thực hành tốt để:

• Đảm bảo tập dữ liệu đào tạo của bạn là thực tế, ngay cả khi quy trình xác minh tốn kém và cần có sự can thiệp của chuyên gia con người
• Kết hợp AI vào chiến lược của bạn thay vì coi nó như một dự án phụ
• Xây dựng các kỹ năng AI mạnh mẽ hoặc thuê ngoài việc này cho các nhóm chuyên dụng
• Khuyến khích sự hợp tác chặt chẽ giữa các nhà khoa học dữ liệu và bác sĩ lâm sàng của bạn
• Cẩn thận với các quy định mới nhất liên quan đến việc sử dụng AI trong dược phẩm, vì những quy định này đang thay đổi nhanh chóng
• Xây dựng kiến thức chuyên môn về đạo đức của riêng bạn để giải quyết mọi lo ngại liên quan đến AI và đặc biệt chú ý đến quyền riêng tư và bảo mật nếu bạn quyết định cộng tác với những người chơi khác trong lĩnh vực này và chia sẻ dữ liệu của mình
• Thường xuyên theo dõi hiệu suất của thuật toán để phát hiện sai lệch và thiếu chính xác, có thể là để phát hiện bệnh, tuyển dụng người tham gia thử nghiệm hoặc thậm chí là quảng cáo thuốc. Ví dụ: Đại học California đã tiến hành một nghiên cứu về quảng cáo thuốc điều trị sức khỏe tâm thần trên mạng xã hội và phát hiện ra rằng các mô hình AI có xu hướng giới thiệu quá mức các loại thuốc này cho khách hàng người Mỹ gốc Phi và gốc Latinh.
• Khi sử dụng AI để tạo ra các hợp chất hóa học, hãy luôn xác thực kết quả vì nó có thể tạo ra các thành phần độc hại hoặc không phù hợp

Nói về tương lai của trí tuệ nhân tạo trong ngành dược phẩm, PwC dự đoán sự xuất hiện của một hệ sinh thái y tế kỹ thuật số mới sẽ bao gồm những đối tượng sau:

• Các nhà cung cấp giải pháp, những người sẽ cung cấp các phương pháp điều trị được cá nhân hóa, liều lượng thuốc, v.v.
• Dàn nhạc, những người có thể sử dụng AI và phân tích để giải quyết nhu cầu của bệnh nhân
• Các nhà cung cấp nền tảng, những người sẽ làm trung gian giữa những người chơi nói trên

Và theo công ty tư vấn, những công ty vẫn từ chối biến AI thành một phần trong hoạt động của họ sẽ trở thành “nhà sản xuất theo hợp đồng” đơn thuần cho phần còn lại của hệ sinh thái. Vì vậy, nếu bạn chưa xem xét việc tăng cường quy trình kinh doanh của mình bằng AI, thì đây có vẻ là thời điểm tốt để thử nghiệm công nghệ này.

Bạn đang muốn tiết kiệm thời gian và tiền bạc cho việc phát triển thuốc và tổ chức thử nghiệm lâm sàng? Thả chúng tôi một dòng ! Chúng tôi sẽ giúp bạn xây dựng và đào tạo các mô hình AI và tích hợp chúng một cách liền mạch vào hệ thống của bạn.