Gotowość branży farmaceutycznej na AI. Wydanie specjalne: COVID-19

Sztuczna Inteligencja (AI) to czarny meteoryt dla większości branż. Przemysł biotechnologiczny i farmaceutyczny nie są tutaj wyjątkiem. Ale czy naprawdę wiesz, w jaki sposób Sztuczna Inteligencja Farmaceutyczna może wpływać na świat w kontekście najnowszych światowych osiągnięć?

Chiński gigant technologiczny Alibaba stworzył system AI, który potrafi wykrywać infekcje koronawirusowe (COVID-19) z 96% dokładnością. Wystarczy 20 sekund, aby system AI określił, czy mamy do czynienia z koronawirusem, co jest imponującym wynikiem w porównaniu z procesem wykrywania wirusa przez lekarza, który trwa średnio 15 minut.

Co więcej, tuż przed sylwestrem 2020 r. stworzony z wykorzystaniem sztucznej inteligencji program ostrzegający o chorobach działający w USA wysłał pierwszy globalny alert o wybuchu epidemii koronawirusa w Chinach kontynentalnych. System nosi nazwę HealthMap i monitoruje wiadomości online oraz wpisy w mediach społecznościowych, które mówiły o „niezidentyfikowanym zapaleniu płuc”. Wczesne monitorowanie aktywności w mediach społecznościowych i publikacji dostępnych w Internecie daje służbie zdrowia wyraźny sygnał do rozpoczęcia działań – w sytuacji, gdy na przeszkodzie mogą stanąć trudności biurokratyczne i komplikacje językowe.

Przykłady, w jaki sposób AI i zaawansowana analityka przyczyniają się do transformacji branży farmaceutycznej

Terapia celowana i wczesne określanie dawki

Z pomocą map koronawirusowych, biotechnolodzy i badacze z branży farmaceutycznej zaproponowali kilka możliwych scenariuszy, aby zbadać skuteczność nowych terapii w zwalczaniu COVID-19. Jednym z pomysłów jest na przykład tworzenie przeciwciał, które są ukierunkowane na konkretne obszary białka enzymu konwertującego angiotensynę (ACE2), co może pomóc powtrzymać wirusa. Oznacza to, że wstrzykiwanie białek, które pobudzają odpowiedź immunologiczną, może przygotować organizm do obrony przed zakażeniem COVID-19.

Gilead Sciences już wypuścił kurację lekiem remdesivir na potrzeby leczenia jednego pacjenta z USA zarażonego koronawirusem. Pod koniec marca 2020 r. badanie na grupie 1000 pacjentów w Azji pozwoli stwierdzić, czy remdesiwir może zatrzymać infekcję koronawirusową.

Moderna Therapeutics opracowała szczepionkę mRNA-1273, która ma potencjalnie chronić przed COVID-19 już 42 dni po sekwencjonowaniu koronawirusa, ustanawiając tym samym rekord w branży. Jeśli okaże się, że szczepionka mRNA-1273 jest bezpieczna, tysiące pacjentów weźmie udział w badaniach mających na celu potwierdzenie, czy szczepionka chroni przed COVID-19.

***

Ustalenie prawidłowej dawki jest bardzo ważnym krokiem w rozwoju klinicznym nowych metod leczenia. Wykrycie dawki nieskutecznej oraz średniej lub maksymalnej dawki skutecznej wymaga dużego wysiłku, czasu i znacznej liczby pacjentów do przeprowadzenia testów. Szczególnie jeśli weźmiemy pod uwagę, że w trakcie opracowywania leku pacjenci są narażeni na przyjmowanie maksymalnej dawki tolerowanej (MTD), która jest wyższa od potrzebnej.

Dobrym przykładem platform stworzonych na potrzeby terapii celowanej jest Curate.ai. Pozwala ona na znalezienie odpowiedniej kombinacji leków i optymalnej strategii ich dawkowania w czasie na podstawie skromnych danych zebranych od osoby leczonej. Takie podejście daje znakomite wyniki w porównaniu do obecnych standardów określania dawek. Ponadto zastosowanie platformy do terapii celowanej minimalizuje efekty uboczne oraz pozytywnie wpływa na standard i długość życia osoby leczonej.

Rekrutacja pacjentów

Firmy farmaceutyczne często przeszacowują pulę dostępnych pacjentów spełniających kryteria rekrutacji. Zgodnie z prawem Lasagna, dostępność pacjentów drastycznie się zmniejsza, gdy rozpoczyna się badanie kliniczne, a następnie wraca do poziomu początkowego, gdy tylko badanie jest zakończone.

Co więcej, klinicyści nie dysponują żadnym łatwym sposobem wytyczania kryteriów kwalifikacji do badań klinicznych dla swoich pacjentów. Podobnie firmy zajmujące się badaniami klinicznymi nie mają do dyspozycji wszystkich niezbędnych zasobów, które pozwoliłyby na skuteczną identyfikację potencjalnych pacjentów, którzy mogliby zostać objęci ich badaniami.

IBM Watson, inteligentny asystent AI, rozwiązuje ten problem, znajdując wszystkie odpowiednie badania kliniczne dla danego pacjenta. W przypadku biur badań klinicznych IBM Watson pomaga natomiast znaleźć pacjentów, którzy kwalifikują się do któregokolwiek z obecnie prowadzonych badań klinicznych. To usprawnienie pozwala zaoszczędzić czas klinicystów i poświęcić go na badania przesiewowe pacjentów, a także eliminuje konieczność ręcznego wyszukiwania odpowiednich pacjentów. Jeśli chciałbyś zbudować podobną aplikację dla swojej firmy, skontaktuj się z nami.

Bioczujniki i wearables dla branży farmaceutycznej

Urządzenia biosensoryczne oparte na nanotechnologii optycznej są w stanie wykryć koronawirus w ciągu 30 minut, bezpośrednio w próbce pobranej od pacjenta, bez konieczności jej badania w scentralizowanych laboratoriach klinicznych. Technologia ta jest w stanie szybko określić, czy jest to COVID-19 czy zapalenie płuc. Co więcej, technologia wykorzystana do produkcji urządzeń biosensorycznych zostanie użyta do identyfikacji różnych typów koronawirusa u zwierząt, dzięki czemu możliwe będzie monitorowanie i zapobieganie ewentualnej ewolucji koronawirusa u ludzi.

Ponadto technologia Biofourmis na bazie AI do monitorowania przypadków koronawirusa pozwala klinicystom na śledzenie zakażonych i podejrzanych pacjentów oraz stosowanie terapii celowanych dla zapewnienia skuteczniejszej kuracji. Ta platforma AI pomoże uzyskać bardziej kompleksowe zrozumienie COVID-19 w kontekście epidemiologicznym i pomoże w opracowaniu nowych skutecznych metod leczenia.

Ochotnicy będą nosili wbudowane czujniki na ramieniu przez 24 godziny na dobę, 7 dni w tygodniu, dzięki czemu urządzenie będzie mogło śledzić temperaturę ciała pacjenta, tętno i oddech, poziom tlenu we krwi oraz przekazywać dane do platformy cyfrowej Biofourmius w celu monitorowania na żywo, analizy i prognozowania. Za pomocą technik AI i ML platforma identyfikuje kluczowe zmiany zdrowotne, które oznaczałyby rozwój COVID-19.

***

Według Statista, na chwilę obecną w 2020 r., 356,83 mln użytkowników korzysta z różnego rodzaju wearables (przenośne urządzenia i akcesoria elektroniczne z wbudowanym komputerem) i oczekuje się, że liczba ta będzie rosnąć. Ponadto do 2022 roku 25% dorosłej populacji w Stanach Zjednoczonych będzie korzystać z różnych urządzeń przenośnych.

Wiele osób powszechnie używa wearables do monitorowania swojego stanu zdrowia, m.in. tętna, liczenia kroków, spalonych kalorii itp. Jednakże tego typu urządzenia oferują dużo więcej możliwości. Dzięki progresywnym algorytmom sztucznej inteligencji, miniaturyzacji bioczujników i elastyczności elektroniki, wearables może dostarczać danych w czasie rzeczywistym w ramach IoT.

Ponadto akcesoria typu wearables mogą być noszone w taki sposób, by zapewnić bliski kontakt urządzeń z naskórkiem, ślimakiem (najważniejsza część ucha wewnętrznego), okiem lub zębami, przez co urządzenia są w stanie zbierać sygnały biochemiczne i elektrofizjologiczne. Wszystkie te dane i sygnały medyczne mogą być wykorzystywane do monitorowania pacjentów zagrożonych, szybkiego interweniowania w przypadku rozwoju choroby, a także zmniejszenia wydatków na opiekę zdrowotną poprzez przewidywanie i powstrzymywanie rozwoju schorzeń.

Osobiste urządzenia połączone z Internetem i bioczujniki są używane do różnych celów farmaceutycznych, począwszy od pomocy pacjentom z zaburzeniami metabolicznymi po osoby niepełnosprawne. Wearables mogą być dostosowane w taki sposób, by umożliwiać dozowanie leków przez skórę, oczy lub uszy. Bioczujniki zintegrowane z wearables tworzą systemy zamknięte, w których dozowanie leków może być zarządzane za pomocą sieci bezprzewodowej, a instrukcje mogą być przekazywane użytkownikowi końcowemu.

Wearables i bioczujniki często działają, wykorzystując protokoły bliskiego zasięgu, takie jak Bluetooth Low Energy, i udostępniają dane smartfonom i tabletom, które są dobrze zabezpieczone.

Deep learning w procesie opracowywania leków w branży farmaceutycznej

Metody deep learning mogą wydobyć cechy graficzne COVID-19 na podstawie zmian radiograficznych rejestrowanych przez tomografy komputerowe u osób zakażonych koronawirusem. Cechy te mogą pomóc wygenerować diagnozę kliniczną przed badaniem patogenicznym, oszczędzając czas krytyczny dla zapobiegania rozprzestrzeniania się choroby. Algorytm głębokiego uczenia osiągnął 90% dokładności dzięki analizie 1119 wyników tomografii komputerowej przeprowadzonej u osób, u których rozpoznano COVID-19 i takiej samej liczby wyników od osób, u których rozpoznano zapalenie płuc. Oznacza to, że algorytm deep learning potwierdził zasadność stosowania POC do ekstrakcji cech kardiologicznych na potrzeby szybkiej i precyzyjnej diagnostyki koronawirusa.

Typowy cykl rozwoju leków trwa 15 lat i kosztuje 2,6 mld USD dla pojedynczego preparatu. ML, a zwłaszcza głębokie sieci neuronowe wdrażają obecnie przełomowe zmiany w funkcjonowaniu przemysłu farmaceutycznego poprzez wykorzystywanie mocy algorytmów do odkrywania lepszych mechanizmów leczenia, przyspieszania procesu odkrywania leków i obniżania ich kosztów.

Odkrywanie leków przypomina złożony problem matematyczny, ponieważ obejmuje setki tysięcy możliwych kombinacji cząsteczek. Głębokie sieci neuronowe można wykorzystać do przyspieszenia całego procesu odkrywania leków poprzez przewidywanie funkcji fal molekularnych i molekularnych właściwości elektronicznych. Rozwiązanie tych zadań konwencjonalnymi metodami wymaga wielomiesięcznych obliczeń, co często stanowi przeszkodę w procesach odkrywania leków. Głębokie sieci neuronowe i algorytmy AI pozwalają na drastyczne przyspieszenie opracowywania nowych preparatów.

Największą zaletą metody deep learning w procesie odkrywania leków jest możliwość zaprojektowania architektury sieci neuronowej dostosowanej do konkretnego zadania.

Obecne ograniczenia w wykorzystaniu deep learning w branży farmaceutycznej i procesie odkrywania leków są związane z koniecznością dostarczenia ogromnych zbiorów danych do analizy. Możliwość uczenia się maszyn na podstawie niewielkiej ilości dostępnych danych jest kwestią o dużym znaczeniu w procesie wykorzystania ML do odkrywania leków.

Ponadto algorytmy deep learning są w stanie rozwiązać problem niepożądanych reakcji w przemyśle farmaceutycznym, dzięki możliwościom przewidywania bioaktywności, identyfikacji wzorów molekularnych de novo, prognozowaniu reakcji i analizie obrazu.

Integracja danych w branży farmaceutycznej

Po wybuchu epidemii COVID-19 konsorcjum liderów technologicznych opracowało bazę danych wspomaganą przez sztuczną inteligencję, która segreguje 24000 artykułów na temat choroby koronawirusowej. Baza danych, nazwana CORD-19, ma na celu zintegrowanie dziesiątek tysięcy artykułów badawczych na temat choroby koronawirusowej 2019 roku w ramach jednego wspólnego formatu. Baza danych jest nową platformą stworzoną w duchu idei otwartej nauki, gdzie biotechnolodzy, farmaceuci, epidemiolodzy i specjaliści zajmujący się Big Data mogą znaleźć potrzebne im dane i wykorzystać je w swojej pracy. Wspomagany sztuczną inteligencją zbiór danych przekształca wszystkie dane w formę czytelną dla maszyn i w zwinny sposób dostarcza naukowcom aktualnych danych, tak by mogli skupić się na niezbadanych do tej pory kwestiach badawczych związanych z COVID-19.

Wspomagana przez sztuczną inteligencję baza danych na temat koronawirusa jest aktualizowana i udoskonalana w miarę pojawiania się nowych badań. Co więcej, badania naukowe są obecnie powiązane z danymi z badań klinicznych. Baza danych CORD-19 jest dostępna dla 4 milionów data scientists na świecie, którzy chcą znaleźć odpowiedzi na temat zachowania się wirusa.

***

Każde badanie farmaceutyczne generuje dane genetyczne, metabolomiczne, fenotypowe, proteomiczne, transkryptomiczne, spektroskopowe i inne. Ponadto procesy opracowywania lekarstw dostarczają jeszcze więcej danych na temat farmakokinetyki, toksyczności, skuteczności, itp. Dane te pochodzą z różnych źródeł różniących się zakresem i formatem. Integracja wszystkich tych informacji w jednym systemie w celu uzyskania najbardziej wyczerpujących i kompleksowych wyników jest niezwykle czasochłonnym i wymagającym wysiłku zadaniem.

Jednakże posiadanie systemu integracji danych umożliwia szerokie przeszukiwanie zgromadzonych podzbiorów danych w oparciu o powiązania między danymi. Inteligentne algorytmy, w tym technologie ML i AI wraz z platformami BI, mogą pomóc w tworzeniu automatycznych raportów, informować o zagrożeniach bezpieczeństwa, a także generować wnioski na podstawie dostępnych danych.

Ostatecznym celem systemu integracji danych jest generowanie przejrzystej, spójnej i terminowej analizy na potrzeby dużych projektów farmaceutycznych oraz pomoc w zarządzaniu danymi farmaceutycznymi w trybie 24/7. Właściwa integracja danych pełni rolę istotnego narzędzia w innych procesach, takich jak prognozowanie i raportowanie.

Integracja danych rozwiązuje następujące problemy:

  • Praktyczne wykorzystanie Big Data;
  • Konsolidację systemów przechowywania danych;
  • Usuwanie zmienności danych i ich duplikatów;
  • Tworzenie ustrukturyzowanej i scentralizowanej hurtowni danych;

Posiadanie systemu integracji danych może sprzyjać komunikacji i współpracy pomiędzy działami farmaceutycznymi, zapewnić lepsze zaangażowanie klientów i zwiększyć wydajność. Lepsza komunikacja pomiędzy wewnętrznymi i zewnętrznymi interesariuszami oferuje nowe możliwości i zapewnia dostęp do wiodących w branży badań klinicznych lub symulacji. Prowadzi to w konsekwencji do nowego spojrzenia na wyniki kliniczne i oferuje możliwości w zakresie terapii celowanych. Skontaktuj się z nami i skorzystaj z porad ekspertów, aby dowiedzieć się, w jaki sposób można stworzyć system integracji danych lub przebudować systemy współpracy.

Efektywne wykorzystanie dużych możliwości agregacji i analizy danych pozwala firmom farmaceutycznym na szybsze określanie nowych kandydatów do testowania określonych leków i szybsze opracowywanie użytecznych i zatwierdzonych terapii.

Zbieranie Big Data w branży farmaceutycznej

Największy sukces Big Data w przypadku COVID-19 dotyczy działań Tajwanu mających na celu łagodzenie rozprzestrzeniania się koronawirusa. Tajwan został sklasyfikowany jako drugi po Chinach kontynentalnych region o największym ryzyku rozprzestrzeniania się infekcji COVID-19, ponieważ jest oddalony zaledwie 130 km od Chin. Wykorzystując analitykę Big Data, rząd Tajwanu monitorował rozprzestrzenianie się koronawirusa, śledził historie podróży z ostatnich 14 dni i objawy wszystkich swoich obywateli, ograniczał wjazd zagranicznych turystów i wydał specjalne, śledzone przez rząd smartfony wszystkim osobom objętym kwarantanną. Łącząca różne departamenty platforma Big Data może śledzić przemieszczanie się ludzi i integrować informacje zebrane od policji, instytucji ochrony zdrowia i rządu oraz ostrzegać osoby odpowiedzialne za podjęcie działań w miejscach, gdzie rozprzestrzenia się COVID-19.

***

Według McKinsey Global Institute wdrożenie mechanizmów i procedur gromadzenia Big Data może przynieść oszczędności rzędu 100 000 dolarów w całym przemyśle farmaceutycznym, umożliwiając większą skuteczność badań klinicznych i badań nad lekami.

Co więcej techniki modelowania i sekwencjonowania danych następnej generacji pozwalają na natychmiastowe uzyskanie dużej ilości danych medycznych. Mnogość generowanych danych i progresywne techniki analityczne są w stanie zmienić oblicze przemysłu farmaceutycznego i wzmocnić proces opracowywania leków. Na przykład genomika pozwala firmom farmaceutycznym stosować coraz bardziej precyzyjne podejście do odkrywania leków i zachęca do bezpieczniejszego i skuteczniejszego opracowywania nowych terapii.

Zaledwie kilka lat temu jedynie niewielka liczba ludzkich genomów była sekwencjonowana. Obecnie ta sytuacja ulega gwałtownym zmianom. Illumina, wiodąca firma prowadząca badania nad DNA, twierdzi, że przeprowadzili już sekwencjonowanie 65 000 ludzkich genomów i obniżyli koszty tej procedury do zaledwie 100 dolarów.

Technologie sztucznej inteligencji (AI) i uczenia maszynowego (ML) znacznie rozwinęły się w ciągu ostatnich kilku lat i są zdolne do wykonywania zadań, które były niewyobrażalne dla komputera. AI i ML przyczyniają się do odejścia od paradygmatu obowiązującego w przemyśle farmaceutycznym, zmieniając sposób, w jaki pracownicy służby zdrowia odkrywają nowe leki, a także diagnozują i leczą choroby.

Podsumowanie. W jaki sposób zaawansowana analityka i AI są w stanie pomóc branży farmaceutycznej w osiągnięciu celów

Z pomocą Big Data, AI, analityki biznesowej i zaawansowanej, firmy farmaceutyczne mogą osiągnąć następujące cele:

  • Usprawnienie i optymalizacja procesów decyzyjnych;
  • Wykorzystanie Big Data na potrzeby wyciągania wniosków dotyczących procesów biznesowych;
  • Bardziej trafne diagnozowanie dzięki wykorzystaniu analityki, wearables, bioczujników i IoT;
  • Ograniczenie kosztów i skrócenie czasu potrzebnego na stworzenie nowych leków;
  • Optymalizacja aktualnej oferty dostępnych terapii i szybsze opracowywanie nowych preparatów;
  • Dostarczanie natychmiastowych aktualizacji, zapewnianie bezpieczeństwa oraz lepszej organizacji danych farmaceutycznych;
  • Generowanie ofert specjalnych w punktach sprzedaży na podstawie analizy nawyków zakupowych użytkowników;
  • Zwiększanie wydajności biznesowej poprzez wykrywanie przyczyn wad, przerw i błędów w czasie rzeczywistym;
  • Płynna ocena portfeli ryzyka;
  • Zmniejszenie prawdopodobieństwa popełnienia błędu przez człowieka i wykrycie nieodpowiednich zachowań zanim wyrządzą one szkodę firmie.

W jaki sposób Avenga może pomóc w transformacji Twojej firmy za pomocą AI

W Avenga posiadamy rozległe doświadczenie w dostarczaniu rozwiązań dla przedsiębiorstw z branży farmaceutycznej i life-sciences. Nasze najlepsze w swojej klasie usługi doradcze, projektowe i technologiczne mogą przyczynić się do kompleksowego przekształcenia Twojego przedsiębiorstwa średniej wielkości w międzynarodową korporację. Projektujemy, rozwijamy i wdrażamy najwyższej klasy platformy technologiczne, które pomogą Ci maksymalnie wykorzystać kolejne przełomowe odkrycie.

Zespół certyfikowanych Data Experts z Avenga z powodzeniem korzysta z najnowszych technik przechowywania i konsolidacji danych z wielu źródeł, aby opracować najnowocześniejsze systemy, które zwiększają zwrot z inwestycji i przenoszą biznes na nowy poziom.

Skontaktuj się z nami za pomocą tego formularza kontaktowego, a my z przyjemnością pomożemy Ci wykorzystać potencjał AI w celu podjęcia lepszych decyzji.

Powrót do przeglądu