เหตุใดการใช้ปัญญาประดิษฐ์ในการทดลองทางคลินิกจึงกลายเป็นเรื่องปกติใหม่

ในปี 1994 ดร.เควิน ฮิวจ์สและเพื่อนร่วมงานต้องการทดสอบการรักษามะเร็งเต้านมระยะเริ่มต้นในสตรีสูงอายุ แม้ว่าผู้หญิงประมาณ 40,000 คนในสหรัฐอเมริกาจะมีสิทธิ์ได้รับการทดลองนี้ทุกปี แต่ฮิวจ์และทีมของเขาต้องใช้เวลาทั้งห้าปีในการรับสมัครผู้เข้าร่วม 636 คน

ต่อมาไม่นาน Mayo Clinic กำลังวางแผนการศึกษาอื่นเกี่ยวกับมะเร็งเต้านม นักวิจัยอาศัย Watson ของ IBM สำหรับการจับคู่ผู้ป่วยในการทดลองทางคลินิกที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ (AI) และรายงานการลงทะเบียนรายเดือนเพิ่มขึ้น 80% ถ้าดร.ฮิวจ์เข้าถึงเทคโนโลยีดังกล่าวได้ เขาจะคัดเลือกผู้เข้าร่วมให้เพียงพอเร็วกว่านี้

ปัจจุบัน บริษัทยาได้รับประโยชน์จากบริการพัฒนา AI ด้านการดูแลสุขภาพ เพื่ออำนวยความสะดวกในการวางแผนและดำเนินการศึกษาทางคลินิก ตลาดผู้ให้บริการโซลูชันการทดลองทางคลินิกที่ใช้ AI ทั่วโลกกำลังเพิ่มขึ้น มีมูลค่า 1.3 พันล้านดอลลาร์ในปี 2564 และคาดว่าจะเติบโตที่ CAGR 22% จากปี 2565 ถึง 2573

แล้ว AI สามารถทำอะไรได้บ้างเพื่อประโยชน์ของการทดลองทางคลินิก? และองค์กรของคุณคาดหวังความท้าทายใดในการนำเทคโนโลยีไปปฏิบัติ?

เหตุใดฟาร์มาจึงต้องการแนวทางใหม่ในการทดลองทางคลินิก

การศึกษาแสดงให้เห็นว่าการทดลองทางคลินิกของยาใหม่ใช้เวลาเก้าปีโดยเฉลี่ยและมีค่าใช้จ่ายประมาณ 1.3 พันล้านดอลลาร์ในการดำเนินการ ค่าใช้จ่ายของการทดลองทางคลินิกที่ล้มเหลวในขณะเดียวกันนั้นอยู่ระหว่าง 800 ล้านดอลลาร์ถึง 1.4 พันล้านดอลลาร์ และความจริงที่ว่า 90% ของยาทั้งหมดล้มเหลวในการทดลองทางคลินิกเท่านั้นทำให้เรื่องนี้ซับซ้อนขึ้น

ในการทดลองทางคลินิกแบบดั้งเดิม แพทย์และนักวิจัยค้นหาผู้เข้าร่วมด้วยตนเอง และผู้ป่วยจะต้องอยู่ด้วยร่างกายเพื่อลงทะเบียนและรับการประเมิน การรักษายังเกิดขึ้นในสถานที่ผ่านการเยี่ยมชมตามกำหนด นี่ยังคงเป็นแนวทางที่ปลอดภัยในการพัฒนาวิธีรักษาแบบใหม่ อย่างไรก็ตาม การรักษานั้นทำได้ช้าและขาดความยืดหยุ่นที่จำเป็นในการจัดการรักษาที่ซับซ้อนและตอบสนองความต้องการของกลุ่มประชากรขนาดเล็กที่มักไม่เหมือนกัน

นอกจากนี้ วิธีการนี้ไม่มีความสามารถในการรวมและประมวลผลข้อมูลจากโรงพยาบาล ศูนย์วิจัย สถานปฏิบัติส่วนตัว และบ้านของผู้ป่วย นักวิจัยจะต่อสู้กับการรับสมัครผู้เข้าร่วมและจะขอให้ผู้ป่วยไปที่ไซต์ทดลองเพื่อทบทวนและติดตามสภาพอย่างเป็นระบบ ซึ่งอาจเพิ่มโอกาสที่ผู้ป่วยจะออกกลางคัน

ปัญญาประดิษฐ์และประเภทย่อยสามารถช่วยแก้ไขปัญหาเหล่านี้ได้

AI จะทำให้การทดลองทางคลินิกมีความทันสมัยได้อย่างไร?

AI สามารถรวมข้อมูลจากหลายแหล่ง รวมถึงบันทึกสุขภาพอิเล็กทรอนิกส์ (EHRs) เอกสารการวิจัย ข้อมูลการทดลองทางคลินิกในอดีต และกรณีศึกษาทางการแพทย์พิเศษ นอกจากนี้ยังสามารถจัดการกับกระแสข้อมูลอย่างต่อเนื่องจากอุปกรณ์ทางการแพทย์ส่วนบุคคล

เทคโนโลยีการทดลองทางคลินิกที่ขับเคลื่อนด้วย AI สามารถรวบรวม ทำความสะอาด ประมวลผล จัดการ และแสดงภาพข้อมูลทั้งหมดนี้ในลักษณะที่ช่วยให้แพทย์เข้าใจโรคที่กำหนดและศักยภาพที่สารประกอบเคมีต่างๆ นำเสนอในการต่อต้าน ในขณะที่การวิเคราะห์เชิงคาดการณ์ในการดูแลสุขภาพจะช่วยให้คาดการณ์ว่าผู้ป่วยจะตอบสนองต่อวิธีการรักษาที่เสนอได้อย่างไร

การเข้าถึงข้อมูลเชิงลึกที่ได้จากข้อมูลทั้งหมดนี้อย่างทันท่วงทีจะช่วยให้นักวิจัยสามารถตัดสินใจได้อย่างมีข้อมูลมากขึ้นอย่างรวดเร็ว นี่คือวิธีที่ AI สามารถเป็นประโยชน์ในแง่มุมต่างๆ ของการทดลองทางคลินิก

ปัญญาประดิษฐ์ในการทดลองทางคลินิก: แอปพลิเคชั่น 5 อันดับแรก

ปัญญาประดิษฐ์มีประโยชน์มากมายในภาคการดูแลสุขภาพ ตัวอย่างเช่น นับตั้งแต่เกิดการระบาดใหญ่ เภสัชศาสตร์ได้ใช้ AI อย่างกว้างขวางเพื่อเร่งการทดลองทางคลินิกสำหรับวัคซีนต้านโควิด-19 ที่มีศักยภาพ

การใช้งาน AI ที่สำคัญห้าประการในการทดลองทางคลินิก เทคโนโลยี:

• ช่วยออกแบบการทดลองทางคลินิก
• อำนวยความสะดวกในการรับสมัครผู้เข้าร่วม
• รองรับการเลือกไซต์ทดลอง
• ตรวจสอบการยึดมั่นของผู้เข้าร่วม
• ช่วยในการรวบรวมและวิเคราะห์ข้อมูลการทดลองทางคลินิก

1. AI ช่วยออกแบบการทดลองทางคลินิก

การวิจัยแสดงให้เห็นว่าการออกแบบการทดลองทางคลินิกที่ไม่ดีสามารถป้องกันยาที่อาจมีประสิทธิภาพจากการแสดงให้เห็นถึงประสิทธิภาพ โดยสิ้นเปลืองทรัพยากรทั้งหมดที่ใช้ในการพัฒนายานี้

แต่การออกแบบการศึกษาทางคลินิกเป็นเรื่องที่ท้าทาย เนื่องจากบริษัทยาจำเป็นต้องตรวจสอบข้อมูลจำนวนมหาศาล โดย 80% ของข้อมูลทั้งหมดไม่มีโครงสร้างและวิเคราะห์ได้ยาก AI สำหรับการทดลองทางคลินิกสามารถช่วยรวบรวมและประมวลผลข้อมูลทั้งหมดนี้และค้นหารูปแบบที่เป็นประโยชน์ ตัวอย่างเช่น สามารถรับโปรโตคอลด้านกฎระเบียบ กลยุทธ์ และรูปแบบการลงทะเบียนผู้ป่วยที่เหมาะสมกับประเทศที่ทำการทดลอง AI ยังช่วยระบุช่วงเวลาที่ดีที่สุดในการดำเนินการศึกษาได้อีกด้วย

ซึ่งจะส่งผลให้มีการแก้ไขโปรโตคอลน้อยลง ผู้ป่วยออกกลางคัน และการละเมิดกฎระเบียบ ศูนย์การศึกษาการพัฒนายา Tufts พบว่าการแก้ไขโปรโตคอลที่สำคัญอย่างหนึ่งสามารถยืดเวลาการทดลองใช้เป็นเวลาสามเดือนและมีราคาระหว่าง 140,000 ถึง 530,000 เหรียญขึ้นอยู่กับระยะของการทดลอง

2. AI อำนวยความสะดวกในการรับสมัครผู้เข้าร่วมในการทดลองทางคลินิก

มีประเด็นที่เกี่ยวข้องกับผู้ป่วยหลักสามประการที่ขัดขวางการทดลองทางคลินิก

1. ค้นหาผู้ป่วยผู้สมัคร

ตามเนื้อผ้า ผู้ป่วยสามารถได้ยินเกี่ยวกับการทดลองที่เกี่ยวข้องจากแพทย์ของตน หรือค้นหาฐานข้อมูลที่เกี่ยวข้อง เช่น ทะเบียนการศึกษาทางคลินิกแห่งชาติของสหรัฐอเมริกา แหล่งข้อมูลเหล่านี้ไม่เพียงพอ เนื่องจากแพทย์ไม่ทราบถึงการทดลองที่ดำเนินอยู่ทั้งหมด และผู้ป่วยอาจพบว่าการเลื่อนดูเว็บไซต์ของรัฐบาลอย่างล้นหลาม โดยเฉพาะอย่างยิ่งเมื่อได้รับการวินิจฉัยล่าสุด

การปรับปรุงการทดลองทางคลินิกด้วย AI ช่วยให้สามารถกลั่นกรองข้อมูลของผู้ป่วย เช่น EHR และภาพทางการแพทย์ เพื่อเปรียบเทียบลักษณะผู้ป่วยกับเกณฑ์คุณสมบัติของการศึกษาเพื่อระบุบุคคลที่เหมาะสมสำหรับการทดลองนี้โดยเฉพาะ AI มีประสิทธิภาพเพียงพอที่จะเลือกกลุ่มผู้เข้าร่วมที่เป็นเนื้อเดียวกัน ซึ่งท้าทายด้วยวิธีการแบบเดิม

Deep Lens สตาร์ทอัพ AI ใช้ฐานข้อมูลขนาดใหญ่ของการศึกษาด้านเนื้องอกวิทยาเพื่อคัดเลือกผู้ป่วยเพื่อทำการทดลอง การเริ่มต้นนี้สามารถจับคู่ผู้ที่เพิ่งได้รับการวินิจฉัยว่าเป็นมะเร็งและเร่งการลงทะเบียนในการทดลอง ในขณะที่ 23andMe ซึ่งเป็นบริษัทด้านพันธุศาสตร์ส่วนบุคคลในแคลิฟอร์เนียแนะนำการศึกษาทางคลินิกแก่ลูกค้าของบริษัทโดยพิจารณาจากลักษณะทางพันธุกรรม

2. ผู้ป่วยออกกลางคัน

การวิจัยแสดงให้เห็นว่าผู้เข้าร่วมประมาณ 30% มักจะเลิกการทดลองทางคลินิก ส่งผลให้มีการใช้จ่ายและเวลาเพิ่มขึ้นในการศึกษาให้เสร็จสมบูรณ์ การหาผู้ป่วยรายหนึ่งสำหรับการทดลองทางคลินิกมีค่าใช้จ่ายโดยเฉลี่ย 6,500 เหรียญสหรัฐ ในขณะที่การเปลี่ยนผู้ป่วยเมื่อการทดลองอยู่ในระหว่างดำเนินการมีค่าใช้จ่ายมากขึ้นไปอีก เราสามารถแก้ไขปัญหาทั้งสองนี้ได้ด้วยการเลือกผู้ป่วยอย่างเข้มงวด

ตามที่กล่าวไว้ในจุดก่อนหน้าข้างต้น AI จะตรวจสอบข้อมูลผู้ป่วยและมองข้ามเกณฑ์การรับเข้าเรียนของการศึกษาได้ ซึ่งจะช่วยลดการออกกลางคันในอนาคต

3. การประเมินผู้ป่วย

ผู้สมัครรับเลือกตั้งต้องผ่านการประเมินเพื่อให้แน่ใจว่าพวกเขามีคุณสมบัติตรงตามเกณฑ์การคัดเลือกซึ่งต้องการการมีอยู่ทางกายภาพ และขึ้นอยู่กับตำแหน่งและความยืดหยุ่นของงาน พวกเขาอาจไม่สามารถเข้าเยี่ยมชมศูนย์ทดลองได้ในเวลาที่กำหนด AI สามารถปรับปรุงการปรับใช้เทคโนโลยีที่สวมใส่ได้ ทำให้ผู้ป่วยสามารถทำการประเมินที่บ้านได้ จากนั้นอัลกอริธึมการเรียนรู้ของเครื่องก็สามารถรวบรวมและวิเคราะห์ข้อมูลได้

ตัวอย่างเช่น บริษัทสตาร์ทอัพด้านการแพทย์ TytoCare เสนอเครื่องมือการตรวจที่เชื่อมต่อและแอพมือถือพื้นฐานที่ช่วยให้ผู้ป่วยสามารถบันทึกการวัดจากปอด หัวใจ ผิวหนัง คอ ฯลฯ และส่งไปยังแพทย์

3. AI รองรับการเลือกสถานที่ทดลองทางคลินิก

AI สามารถวิเคราะห์ข้อมูลเกี่ยวกับแพทย์ ผู้ป่วย และสภาพอากาศ ณ สถานที่ทางภูมิศาสตร์ต่างๆ และแสดงภาพบนแผนที่ ซึ่งช่วยให้บริษัทยาเลือกไซต์ผู้ตรวจสอบที่มีศักยภาพมากที่สุด

ตัวอย่างหนึ่งของการใช้ปัญญาประดิษฐ์ในการเลือกไซต์มาจาก Innoplexus บริษัท AI ที่ทำการทดลองทางคลินิกนี้ช่วยให้บริษัทยาออกแบบและเตรียมพร้อมสำหรับการศึกษาด้วยเทคโนโลยี Clinical Trial Comparator มีแดชบอร์ดสำหรับการแสดงข้อมูลที่ช่วยจัดลำดับความสำคัญของไซต์สำหรับการศึกษาทางคลินิกในอนาคต ซึ่งรวมถึงความใกล้ชิดกับการทดลองทางคลินิกของคู่แข่ง ภูมิศาสตร์ และจำนวนผู้สมัคร Innoplexus ยังพัฒนาแดชบอร์ดที่ขับเคลื่อนด้วย AI แบบกำหนดเองพร้อมตัวกรองที่ช่วยให้ลูกค้าสามารถรวมข้อมูลของบุคคลที่สามและตั้งค่าเกณฑ์และตัวชี้วัดสำหรับเกณฑ์การเลือกไซต์ของตนเอง

4. AI ตรวจสอบความสม่ำเสมอของผู้เข้าร่วมในการทดลองทางคลินิก

การไม่ปฏิบัติตามยาเป็นเรื่องปกติธรรมดา การศึกษาระบุว่า 50% ของชาวอเมริกันล้มเหลวในการใช้ยาเรื้อรังในระยะยาวตามคำแนะนำ และจากข้อมูลขององค์การอนามัยโลก การรับประทานยาอย่างสม่ำเสมออาจมีผลกระทบมากกว่าการรักษาเอง

ในการทดลองทางคลินิก กระบวนการติดตามความสม่ำเสมอในการรับประทานยาด้วยตนเองมักมีข้อผิดพลาด เนื่องจากต้องอาศัยความจำของผู้ป่วย และแพทย์มักใช้ระบบบันทึกที่ไม่น่าเชื่อถือ เช่น ปากกาและกระดาษ ซึ่งอาจทำให้ข้อมูลสูญหายได้

การปรับใช้อุปกรณ์สวมใส่ร่วมกับ AI ของการทดลองทางคลินิกช่วยให้นักวิจัยสามารถตรวจสอบการกระทำของผู้ป่วยผ่านการเก็บข้อมูลอัตโนมัติ แทนที่จะรอรายงานด้วยตนเองของผู้ป่วย ตัวอย่างเช่น AiCure หนึ่งในบริษัททดลองทางคลินิกด้าน AI ที่มีชื่อเสียง ได้พัฒนาผู้ช่วยทางการแพทย์แบบโต้ตอบที่สามารถระบุผู้ป่วยที่เสี่ยงต่อการไม่ปฏิบัติตาม เทคโนโลยีนี้ยังช่วยให้ผู้ป่วยถ่ายวิดีโอของตัวเองขณะกลืนยาเพื่อเป็นหลักฐานว่าพวกเขาทำจริง ผู้ช่วยสามารถระบุผู้ป่วยและยาที่เหมาะสม ยืนยันการรับประทานยาจากแพทย์ที่รับผิดชอบ

เพื่อจูงใจผู้ป่วยและส่งเสริมความสม่ำเสมอ Optim.health ได้สร้างขวดยาอัจฉริยะที่รองรับโดยแอพมือถือ เทคโนโลยีนี้ช่วยเตือนผู้ป่วยเมื่อถึงเวลาต้องรับประทานยา ติดตามปริมาณยา และจัดหาสื่อการเรียนการสอน นอกจากนี้ยังสามารถสื่อสารกับแพทย์เพื่อรายงานความคิดเห็นของผู้ป่วย

5. AI ช่วยในการรวบรวมและวิเคราะห์ข้อมูลการทดลองทางคลินิก

การทดลองทางคลินิกใช้และส่งออกข้อมูลจำนวนมหาศาล ผู้เข้าร่วมทุกคนจะสร้างข้อมูลที่มากเกินไป เช่น ข้อมูลการยึดมั่น สัญญาณชีพ และข้อเสนอแนะระดับกลางอื่นๆ AI สามารถรวบรวม วิเคราะห์ และนำเสนอต่อแพทย์ในรูปแบบที่อ่านได้

นอกจากนี้ ด้วยความช่วยเหลือของอุปกรณ์ IoT ทางการแพทย์และ Internet of Bodies แพทย์สามารถตรวจสอบผู้ป่วยในบ้านได้แบบเรียลไทม์ นี่หมายถึงการประมวลผลข้อมูลจำนวนมากทุกวัน AI สามารถเข้าควบคุมงานนี้และตรวจจับและรายงานอาการของผู้ป่วยที่แย่ลง เพื่อให้ผู้ป่วยมีความเป็นอยู่ที่ดี และลดการออกกลางคัน

ประโยชน์ที่น่าสนใจอีกประการหนึ่งคืออัลกอริธึมการเรียนรู้ของเครื่องสามารถระบุกลุ่มผู้ป่วยภายในเส้นทางที่สมควรได้รับการตรวจสอบเพิ่มเติม ตัวอย่างเช่น หากการทดลองดูเหมือนจะไม่ให้ผลลัพธ์ที่คาดหวัง AI สามารถระบุผู้เข้าร่วมที่มีเงื่อนไขเฉพาะที่ดูเหมือนจะได้รับประโยชน์จากยาที่ตรวจสอบหรือการรักษาสำหรับการทดลองย่อย

คำสองสามคำเกี่ยวกับความท้าทายของการใช้ AI ในการทดลองทางคลินิก

ขาดการทำงานร่วมกันในข้อมูลทางการแพทย์

แม้จะมีความพยายามในการรวมข้อมูลทางการแพทย์เข้าด้วยกัน แต่ก็ยังมีมาตรฐานไอทีด้านการดูแลสุขภาพหลายฉบับ และการทำงานร่วมกันของข้อมูลด้านสุขภาพยังคงเป็นความท้าทาย ทำให้ยากที่จะรวมข้อมูลผู้ป่วยจากองค์กรทางการแพทย์ที่ใช้ซอฟต์แวร์ EHR ที่แตกต่างกัน ไม่ต้องพูดถึงว่าแพทย์บางคนยังคงใช้บันทึกที่เขียนด้วยลายมือ

แม้ว่าการทำงานของ AI จะถูกขัดขวางโดยขาดความสามารถในการทำงานร่วมกัน แต่เทคโนโลยีนี้ก็สามารถช่วยแก้ปัญหานี้ได้ โมเดลที่ใช้การประมวลผลภาษาธรรมชาติ (NLP) สามารถดึงข้อมูลทางคลินิก เช่น อาการและการวินิจฉัยจากแหล่งต่างๆ ที่ต่างกัน และรวมข้อมูลนี้ลงในฐานข้อมูลของการทดลอง แทนที่จะทำให้บันทึกสุขภาพเป็นมาตรฐานและแหล่งข้อมูลอื่นๆ

ตัวอย่างหนึ่งคือ Deep 6 AI ซึ่งใช้ NLP เพื่อแยกวิเคราะห์ระบบ EHR ที่หลากหลาย บริษัทมีมูลค่า 140 ล้านดอลลาร์ในการระดมทุนครั้งล่าสุด

อย่างไรก็ตาม งานของอัลกอริธึม NLP ไม่ได้ตรงไปตรงมาขนาดนั้น เนื่องจากไม่มีศัพท์เฉพาะที่แพทย์ใช้เพื่อแสดงแนวคิดเดียวกัน ตัวอย่างเช่น แพทย์บางคนอ้างถึงอาการหัวใจวายว่า "กล้ามเนื้อหัวใจตาย" หรือ "กล้ามเนื้อหัวใจตาย" ในขณะที่บางคนเพียงแค่จด "MI" ดังนั้นจึงต้องติดตั้งแบบจำลอง AI ของการทดลองทางคลินิกเพื่อรับรู้รูปแบบเหล่านี้ทั้งหมด

ความท้าทายที่เกี่ยวข้องกับ AI

AI มีปัญหาเฉพาะที่นำมาสู่ทุกสาขาที่นำไปใช้ หากคุณต้องการทราบข้อมูลเพิ่มเติมเกี่ยวกับ AI โปรดดูบทความล่าสุดเกี่ยวกับความท้าทายในการใช้งาน AI และค่าใช้จ่ายของ AI

ต่อไปนี้คือความท้าทายสองประการที่เกี่ยวข้องมากที่สุดที่ปัญญาประดิษฐ์นำมาสู่การทดลองทางคลินิก:

อัลกอริทึมการเรียนรู้ของเครื่องฝึก

ในขณะนี้ ยังไม่มีการแทนที่กระบวนการบันทึกย่อข้อมูลแบบแมนนวลที่น่าเชื่อถือและเป็นอัตโนมัติทั้งหมดซึ่งจำเป็นในการฝึกแบบจำลองปัญญาประดิษฐ์ที่ใช้ในการทดลองทางคลินิก งานนี้ใช้เวลานาน และผลลัพธ์มักได้รับการปรับแต่งให้เหมาะกับผู้ให้บริการด้านสุขภาพแต่ละรายหรือโรคเฉพาะ

Noemie Elhadad นักสารสนเทศชีวการแพทย์แห่งมหาวิทยาลัยโคลัมเบียกล่าวว่า "ตอนนี้ไม่มีสิ่งใดที่เหมือนกับกลไก NLP ที่จดบันทึกทางคลินิกใดๆ ที่เขียนจากแพทย์คนใดก็ได้และสามารถเข้าใจสิ่งที่บันทึกดังกล่าวได้" กล่าวโดย Noemie Elhadad นักสารสนเทศชีวการแพทย์จากมหาวิทยาลัยโคลัมเบีย .

อคติของ AI และความจำเป็นในการประเมินอย่างต่อเนื่อง

AI สามารถพัฒนาอคติได้หากชุดข้อมูลการฝึกอบรมไม่ได้เป็นตัวแทนของประชากรจริง เนื่องจากความสามารถทั่วไปของแบบจำลองขึ้นอยู่กับความหลากหลายที่มองเห็นระหว่างการฝึกอบรม ตัวอย่างเช่น โมเดลที่ได้รับการฝึกอบรมอย่างไม่เหมาะสมอาจบิดเบือนคำแนะนำของสถานที่สำหรับการทดลองทางคลินิกหรืออาจทำงานได้ไม่ดีในผู้ป่วยที่มีโทนสีผิวคล้ำ

แม้แต่อัลกอริธึมที่ได้รับการฝึกอบรมมาอย่างดีก็สามารถทำให้เกิดอคติได้ในขณะที่พวกเขาเรียนรู้งานต่อไป ดังนั้นจึงเป็นเรื่องสำคัญที่จะต้องดำเนินการตรวจสอบอิสระอย่างทันท่วงทีเพื่อตรวจจับพฤติกรรมที่ไม่เหมาะสมและกำจัดมัน

“AI เป็นผลิตภัณฑ์ทางการแพทย์ที่มีชีวิตซึ่งจำเป็นต้องได้รับการปรับแต่งและปรับเทียบใหม่อย่างต่อเนื่อง” ดร.ลีโอ แอนโธนี่ เซลี นักวิทยาศาสตร์การวิจัยหลักแห่งสถาบันเทคโนโลยีแมสซาชูเซตส์กล่าว เขาเชื่อว่า AI และแมชชีนเลิร์นนิงในการทดลองทางคลินิกจำเป็นต้องถูกมองว่าเป็นผลิตภัณฑ์แยกต่างหาก โดยไม่ขึ้นกับอุปกรณ์ทางการแพทย์ที่ใช้เทคโนโลยีนี้ ดังนั้น โซลูชันที่ขับเคลื่อนด้วย AI จึงต้องได้รับการประเมินอย่างอิสระและบ่อยครั้ง

อนาคตของการทดลองทางคลินิกที่ขับเคลื่อนด้วย AI

Accenture คาดการณ์ว่าการทดลองทางคลินิกแบบดั้งเดิมจะดีขึ้น 3 ระลอก ซึ่งบางการทดลองอาจใช้เวลานานกว่าจะเติบโตเต็มที่

1. คลื่นลูกแรก จะนำมาซึ่งการปรับปรุงที่สำคัญในประสิทธิภาพของการทดลองเนื่องจากเทคโนโลยีที่เกิดขึ้นใหม่ เช่น Augmented Reality (AR) และการเข้าถึงข้อมูลผู้ป่วยแบบเรียลไทม์ ซึ่ง AI จะช่วยรักษาและวิเคราะห์ AR มีแอปพลิเคชั่นหลายตัวในภาคการดูแลสุขภาพ และบริษัทที่ปรึกษามีความหวังเป็นพิเศษสำหรับการใช้ AR และ VR ในการเฝ้าติดตามผู้ป่วย
2. คลื่นลูกที่สอง บ่งบอกว่าเส้นทางจะกลายเป็นเสมือน ซึ่งหมายความว่านักวิจัยสามารถพึ่งพาตัวแทนดิจิทัลที่ขับเคลื่อนด้วย AI ในการรับสมัครผู้ป่วย ตรวจสอบคุณสมบัติของผู้ป่วย ขอรับความยินยอมอย่างเป็นทางการ และดำเนินงานที่เกี่ยวข้องกับการปฐมนิเทศ จะมีที่เก็บข้อมูลแบบกระจายศูนย์ที่มีความปลอดภัยสูงและการรับรู้ถึงความเป็นเจ้าของ ผู้ป่วยจะเป็นเจ้าของข้อมูลของตนอย่างเต็มที่และแชร์กับแพทย์ตามเงื่อนไข
3. ในคลื่นลูกที่สาม การทดลองจะดำเนินการโดยไม่มีความเสี่ยงใดๆ ต่อผู้ป่วย เนื่องจากอัลกอริธึม AI จะเป็นแบบจำลองผลลัพธ์ทางคลินิก การทดลองทางคลินิกแบบอัตโนมัติทั้งหมดด้วยปัญญาประดิษฐ์ยังห่างไกลในอนาคต แต่เราได้เห็นความพยายามในการทดสอบในหลอดทดลองด้วย AI แล้ว

บริษัทเทคโนโลยีชีวภาพที่เชี่ยวชาญด้านเทคโนโลยีอวัยวะบนชิปได้ติดต่อ ITRex เพื่อช่วยในการสร้างแพลตฟอร์มสำหรับการสร้างแบบจำลองโรคในหลอดทดลองและการทดสอบยาซึ่งเป็นส่วนหนึ่งของการทดลองทางคลินิก เทคโนโลยีนี้อาศัยชิปที่มีเซลล์ไมโครฟลูอิดิกที่เลียนแบบอวัยวะของมนุษย์ ทีมของเราช่วยพัฒนาซอฟต์แวร์ IoT แบบฝังสำหรับแพลตฟอร์มออร์แกนบนชิป และซอฟต์แวร์ฟรอนต์เอนด์และแบ็คเอนด์สำหรับการออกแบบการทดลองใช้ การจัดการ และการวิเคราะห์ข้อมูล

โซลูชัน AI สำหรับการทดลองทางคลินิกที่เป็นนวัตกรรมที่ได้ผลถูกนำไปใช้โดยห้องปฏิบัติการมากกว่า 100 แห่ง รวมถึงบริษัทยาชั้นนำของสหรัฐฯ และช่วยให้พวกเขาเร่งพัฒนายาและลดต้นทุน

แม้ว่าการคาดคะเนบางอย่างของ Accenture จะดูล้ำสมัย แต่คุณก็สามารถเริ่มผสมผสานปัญญาประดิษฐ์ในการทดลองทางคลินิกได้แล้วตั้งแต่วันนี้ คุณสามารถเปลี่ยนไปใช้ AI สำหรับบริษัทที่ปรึกษาด้านการทดลองทางคลินิกเพื่อเพิ่มความคล่องตัวในการรับสมัครผู้ป่วย ตรวจสอบการปฏิบัติตาม วิเคราะห์และเห็นภาพข้อมูลทางคลินิก และทำให้ผู้ป่วยรู้สึกสบายใจกับการตรวจสอบภายในองค์กรด้วยอุปกรณ์สวมใส่

นอกจากนี้ คุณยังสามารถปรับใช้ AI เพื่อบำรุงรักษาวัสดุชีวภาพที่ใช้ระหว่างการทดลองได้โดยอัตโนมัติ โซลูชั่น AI ดังกล่าวสามารถฝึกให้ตัดสินใจอย่างชาญฉลาดว่าจะแยกเซลล์อย่างไรและเมื่อใด เป็นต้น นี่แสดงให้เห็นว่าการมีส่วนร่วมของ AI ในการทดลองทางคลินิกไม่ จำกัด เฉพาะแอปพลิเคชันที่กล่าวถึงในบทความนี้ หากคุณมีสิ่งที่แตกต่างในใจ อย่าลังเลที่จะติดต่อ

ตื่นเต้นกับโอกาสที่จะเร่งการทดลองทางคลินิกของคุณด้วย AI หรือไม่? วางสาย! ทีมงานของเราจะช่วยคุณสร้าง/ปรับใช้อุปกรณ์สวมใส่ที่เชื่อมต่อเพื่อรวบรวมข้อมูลผู้ป่วย และใช้เครื่องมือวิเคราะห์ที่ขับเคลื่อนด้วย AI เพื่อประมวลผลและแสดงภาพ

เผยแพร่ครั้งแรกที่ https://itrexgroup.com เมื่อวันที่ 12 สิงหาคม 2022