制药和生物医学组织正面临日益复杂的挑战。在科学研发资金削减、药物开发和临床试验的高昂成本以及监管障碍等重重困难下，生命科学公司越来越多地依赖自动化和人工智能驱动的技术来实现工作流程现代化并提高运营效率。
根据NVIDIA发布的首份《医疗与生命科学领域人工智能现状》调查报告，三分之二的受访者表示其组织正在积极使用人工智能解决方案，73%的受访者称人工智能已帮助降低运营成本，81%的受访者表示其收入因此增加。
“当我们思考人工智能的应用及其能够创造最大价值的领域时，生命科学无疑提供了一个令人兴奋的舞台，”微软健康未来部门总经理Hoifung Poon说道，他领导着生物医学人工智能研究。
通过自动化和人工智能加速临床试验
临床试验的招募阶段平均需要18个月，而近20%的癌症试验因招募率低而失败。自动化和人工智能可以通过识别和招募符合条件的参与者来改进这一过程，并帮助更快地将挽救生命的治疗带给患者。
机器人流程自动化（RPA）工具在这一领域尤为有益，它们可以评估患者记录并将其与适当的试验匹配。
“医学数据提取既繁琐又昂贵。在临床试验匹配中，构建试验资格标准相对简单，但构建患者记录才是真正瓶颈，”Poon说道。他以微软的“医疗代理协调器”为例，说明了“RPA如何通过引入自动化信息收集、标准化、整合和临床试验匹配场景的代理程序，释放巨大的生产力提升潜力。”
智能文档处理工具也显示出显著优势。IDP可以帮助研究团队避免手动错误，提高患者数据准确性，并更高效地分析海量数据集。亚马逊网络服务指出，当由大型语言模型驱动时，IDP可以生成报告并揭示可操作的见解。
美国国立卫生研究院开发的TrialGPT算法就是这种技术的一个例子。在一项试点研究中，研究人员发现，在评估患者是否符合试验资格时，TrialGPT比人类临床医生少花费40%的时间进行筛查，但达到了相同的准确率。此外，TrialGPT还能创建摘要，解释为什么某位患者适合参与某项试验。
云计算和高级分析在药物发现中的作用
“我们和其他机构已经利用人工智能系统生成了有前景的候选药物，我预计在未来几年内，这样的成功案例将迅速积累，”Poon说。“我们可以缩短靶点识别、先导化合物识别和优化的时间。”
研究人员表示，药物发现阶段通常需要三到六年，占新药开发总成本的约35%，而人工智能可以将其缩短一到两年。这是因为人工智能能够比人类更快地识别和测试不同化合物的效果。
高级数据分析对于这类分析至关重要。人工智能驱动的算法可以跨多个数据库分析和比较海量信息，以确定哪些化合物组合在药物开发中最有效。
如果没有云计算和存储，这种工作无法实现。本地数据中心的空间有限，而云计算为生命科学组织提供了管理与分析这些大数据集所需的无限扩展能力。
云计算还允许组织通过与供应商合作访问强大的图形处理器和CPU，调整其存储能力，从而更好地控制成本。
“假设你在Google Cloud环境中工作，使用其高性能计算运行蛋白质折叠模拟，”UiPath生命科学行业总监Joe Miles说道，“然后你可以将这些信息路由到与特定试验相关的适当存储库中。”
“我认为我们将看到更多有机层面管理流程的代理网络，使人们能够专注于研究和更具挑战性的课题，”Miles补充道。
借助代理型人工智能简化文档和收入周期管理
生命科学是一个高度监管的行业，涉及大量文书工作。为美国食品药品监督管理局（FDA）提交一份新药或设备的监管文件可能需要数月，且该机构对格式和内容有具体要求。代理型人工智能可以帮助组织更高效地处理繁文缛节，让研究人员专注于实际的科学研究。
“我们看到自动化被广泛用于监管文件提交，尤其是在临床试验中，”Miles说，“人工智能代理可以审查所有定义协议的相关文件，并协助格式化和语法检查。确保所有支持性文档到位直接有助于缩短上市时间。”
Miles补充道，代理型人工智能还可以帮助收入周期管理，例如自动处理日常发票和销售订单。代理程序还可以监控电子邮件收件箱并标记需要人工审核的潜在问题。
“例如，如果收到一份需要立即转交给相关人员的不良事件表单，”Miles解释道，“智能文档处理在这一过程中起到关键作用，包括读取电子邮件并理解其情绪。”
医学研究数字化转型的未来展望
自动化和人工智能的作用预计将继续快速增长。在NVIDIA对生命科学和医疗公司的调查中，78%的受访者表示其组织计划增加人工智能基础设施的预算。
Miles预测，代理型人工智能将成为关注重点。“由于它们能够基于上下文信息做出可靠决策，我认为我们将看到更多代理程序的发布，”Miles说。“我认为我们将看到一个有机管理流程的代理网络，让人们能够专注于研究和更具挑战性的课题。”
Poon补充道，虽然自动化和人工智能正在提升运营效率，但他预计这些先进技术将帮助研究人员生成有价值的解决方案，从而彻底改变医疗保健。
“变革将从生产力提升开始，这已经在前沿人工智能的文本模式中发生，”Poon说。“我们仍需要重大研究突破来弥补多模态和纵向患者建模中的能力差距，但进展非常迅速。”
(全文结束)
