El diseñador Charles Eames dijo famosamente: “Nunca delegues el entendimiento”. Estoy totalmente de acuerdo. Pero, como líder, también reconozco el valor y la necesidad de aprender de aquellos que están mejor equipados para sumergirse en nuevas ideas, tecnologías y capacidades que pueden ser críticas para el futuro de nuestra organización. Como CEO, es importante que estemos al tanto de las tendencias mientras nuestros equipos se sumergen en las aplicaciones diarias. Durante la última década, muchos de nosotros hemos adoptado este enfoque ante la aparición de la inteligencia artificial (IA).
La IA no es un concepto nuevo en las ciencias de la vida. Durante años, los equipos han utilizado el aprendizaje automático (ML), el procesamiento de lenguaje natural (NLP) y otras capacidades asociadas a la IA para avanzar en la investigación médica y en nuevos tratamientos, así como para promover la productividad administrativa. En el espacio de los datos del mundo real (RWD), hemos visto algoritmos de IA aplicados para ayudar a extraer información de los registros médicos electrónicos (EMRs) y hacer que las empresas de ciencias de la vida sean más eficientes en el diseño de ensayos clínicos.
Entonces, ChatGPT se lanzó en noviembre de 2022. Permitió a los usuarios sin experiencia en ciencia de datos ingresar consultas extraordinariamente específicas y complejas en una barra de búsqueda y recibir respuestas detalladas en lenguaje sencillo en cuestión de segundos. Los modelos de lenguaje grandes (LLMs) parecían abrir nuevas vías para trabajar con los datos. Fue una llamada de atención para muchos líderes de empresas, pero el camino a seguir parecía claro: o aprendemos muy rápido a aprovechar esta nueva forma de trabajar, dentro de nuestra empresa, con nuestros socios y con nuestros clientes, o nos quedamos atrás.
Así comenzó un viaje acelerado de IA para las industrias de RWD y ciencias de la vida, así como para empresas y líderes individuales, incluido yo mismo. Para los CEOs que navegan por los cambios y el valor que la IA puede aportar a su organización, ofrezco las siguientes consideraciones para guiar su exploración de la IA en tres aspectos clave de su negocio: cambiar la forma en que trabajan nuestros equipos, cambiar la forma en que interactuamos con los clientes y ampliar nuestro alcance a nuevos socios.
Comience identificando oportunidades para la transformación interna.
Al analizar las formas en que la IA y los LLMs podrían aumentar la productividad interna, es importante centrarse primero en el área con el mayor potencial. Para aquellos en el espacio de RWD, esto podría ser el proceso de abstracción y curación de datos. Al construir un conjunto de datos hoy en día, los equipos de expertos médicos pasan hasta seis horas abstrayendo datos de un solo registro médico en el EMR, lo que incluye eliminar cualquier información de identificación del paciente, extraer puntos de datos clave e identificar datos faltantes o potencialmente inexactos. Cuando extrapolamos eso a los miles de registros que necesitan evaluar, el esfuerzo se traduce en muchas miles de horas y un porcentaje significativo de costos operativos. Dado el agotamiento que supone para las organizaciones, este proceso presenta una oportunidad clave para explorar cómo las capacidades emergentes de IA podrían acortar los plazos y reducir los costos.
Los datos estructurados ya están clasificados en campos definidos dentro del EMR y son los datos más sencillos de trabajar. Es un buen punto de partida para que un LLM comience a trabajar, ayudando a los expertos médicos a curar más datos en un conjunto de datos de manera más rápida. Una vez que hayas dominado eso, entonces puedes pasar a aplicaciones más complejas, como utilizar LLMs para extraer información de la sección de notas de los registros médicos, una función que no era posible con una calidad aceptable con tecnologías anteriores, incluidas las herramientas de NLP. Los primeros resultados han sido prometedores, demostrando que la IA nos permite hacer más con los recursos que tenemos y ofrecer aún más datos a los clientes a un ritmo más rápido que nunca. A medida que se publiquen más resultados y la tecnología continúe desarrollándose, espero ver cómo los plazos de abstracción de datos se reducen a solo un tercio de su duración actual y los costos se reducen a la mitad.
Repensar el potencial para las interacciones con los clientes habilitadas por la IA.
Las exploraciones de IA también muestran cómo las empresas de RWD pueden capacitar a los clientes de las ciencias de la vida para interactuar con sus datos de nuevas formas. Normalmente, los estudios de RWD son exclusivamente el dominio de profesionales con experiencia en estadísticas y ciencia de datos, que crean consultas y presentan resultados. Este es un proceso largo y excluye a los líderes de las ciencias de la vida sin este conocimiento técnico, por ejemplo, los médicos que lideran los equipos de Asuntos Médicos o los investigadores moleculares destacados en Desarrollo Clínico, de explorar los datos ellos mismos mientras planifican sus estudios clínicos. Los LLMs simplifican el acceso a los datos, permitiendo a los equipos brainstorming juntos escribiendo preguntas en una barra de búsqueda y recibiendo respuestas rápidas sobre su población objetivo o molécula. Pueden priorizar consultas importantes más rápidamente y luego profundizar. Quizás comiencen con: “¿Cuántos pacientes de mieloma múltiple en este conjunto de datos también tienen diabetes?” Luego hacen preguntas de seguimiento para saber cómo fueron tratados y cuáles fueron sus resultados de supervivencia, todas preguntas cruciales que pueden contribuir a un caso de expansión de indicaciones u otras oportunidades.
Los LLMs también podrían ayudar a los patrocinadores de estudios de investigación a reducir el riesgo de los ensayos clínicos con conocimientos fiables. Actualmente, los ensayos clínicos tienen una tasa de fracaso del 90 por ciento, debido en parte al acceso limitado a ideas basadas en datos y al tiempo que lleva ejecutar el proceso. He experimentado esto de primera mano durante mi tiempo liderando ensayos clínicos en una empresa de ciencias de la vida. Planeamos usar un tratamiento como el comparador de atención estándar para una nueva molécula, pero para cuando comenzó el ensayo, el estándar de atención había cambiado. Este fue un error costoso que solo nos dimos cuenta después de que el estudio comenzó. Después de solo unos meses, tuvimos que cerrar el estudio y eventualmente desechar la molécula. Si hubiéramos tenido las herramientas para validar nuestras suposiciones con RWD, podríamos haber ajustado el ensayo en curso para reflejar el estándar de atención correcto. Esto habría ahorrado millones de dólares y horas de esfuerzo. A corto plazo, veo esto como un área de impacto para los LLMs. Con su ayuda, podremos posicionar los ensayos para el éxito y acelerar el progreso de las terapias más prometedoras.