נדרשת אוטומציה חכמה לקידום הרפואה בעידן הבינה המלאכותית

תעשיית מדעי החיים ממנפת בהצלחה בינה מלאכותית ולמידת מכונה לצורך גילוי תרופות להתוויות ממוקדות, סימולציות מולקולריות, תחזיות אודות תכונות התרופות ויישומים אחרים. לצורך כך נעשה שימוש בנפח עצום של נתונים מולקולריים, בהיקף של פטה בייטס, יותר מאשר בנתוני מטופלים, כדי לשרטט דפוסים ולמצוא "מחט בערמת שחת". עם זאת, במחקרים קליניים, השימוש המעשי בבינה מלאכותית ולמידת מכונה נמצא עדיין בתחילת הדרך.

בניגוד לגילוי תרופות, נתונים קליניים (בהיקף של עד 10 מיליון תצפיות בניסוי שלב III טיפוסי) אינם מגיעים לנפח של ביג דאטה או לרמה הדרושה לאימון מודלים מורכבים. כיום ניתן לשפר באופן משמעותי את ניהול הנתונים הקליניים (CDM), אבל בינה מלאכותית היא לא המענה המוכח לכך (עדיין). גל של התקדמות ביכולות האוטומציה וריבוד הנתונים (אוגמנטציה) צמצם את זמני המחזור והעלויות תוך שיפור האיכות בפעם הראשונה. אבל לצד ההייפ של בינה מלאכותית, לא נוצלו מספיק מקרי שימוש של אוטומציה חכמה, שחוסכים מאמץ אנושי, זמן וכסף.

נכון לעכשיו, הידע בתחום הבינה המלאכותית נמצא מאחורי גל ההייפ והניסויים המקיפים אותו. מנהלים מדגישים את החשיבות של השקעה מוקדמת בבינה מלאכותית ולמידת מכונה, ומטבע הדברים רוצים להראות חשיבה מתקדמת בתוך הארגונים שלהם. לצד זאת, הספקים ממנפים את הרצון של השוק ביכולות הללו. אולם סקר אינטרנטי שנערך לאחרונה על ידי SCDM בנושא אוטומציה חכמה גילה ש-54% מהמומחים המטפלים בנתונים קליניים הביעו הבנה נמוכה במונחי בינה מלאכותית או למידת מכונה.

מינוף בינה מלאכותית ולמידת מכונה מספק יתרון עתידי לניהול הנתונים הקליניים, במיוחד במקרי שימוש המסייעים לבני אדם ומשפרים את קבלת ההחלטות. מגדה יאסקובסקה, מנהלת נתונים גלובלית בתחום האונקולוגיה בחברת GSK, אמרה במהלך הסמינר המקוון של SCDM: "האם AI/ML הן הייפ או לא? אני בצד הריאלי. יש מגבלות, אבל יש גם הזדמנויות לטווח ארוך, במיוחד במקרי שימוש ששומרים על 'האדם בתווך'. האדם צריך להיות מקבל ההחלטות הסופי והאחראי להן".

סער ברהום סגן נשיא בכיר למו"פ ב- Veeva Crossix | צילום: Veeva Crossix

השימוש בכלים אלו צריך להיות תכליתי מכיוון שהוא מעלה את העלויות ויכול להוסיף מורכבות ולדרוש התייחסות לניהול שינויים וסיכונים. יש לשקול היטב את היישומים האתיים, לדוגמה מי אחראי לטעויות כאשר התוכנה לומדת. בנוסף, מכיוון שתחום הבינה המלאכותית אינו מוסדר כיום, יש לעבוד עם גופים רגולטוריים כדי לאשר מקרי שימוש המתאימים למטרה מסוימת.

זהו מרוץ יקר הדורש להשיג נתונים נקיים ומוכנים לניתוח באופן דחוף. ארגונים לא יכולים להרשות לעצמם להיות מוסחים יתר על המידה על ידי תיאוריית הבינה המלאכותית. עליהם למצוא איזון טוב יותר בין אופטימיזציה של החזר על השקעה לבין ניקוי נתונים באמצעות אוטומציה, תוך כדי הכנה למקרי שימוש מעשיים.

נתונים נקיים הם דרישה בסיסית

וואס נרסימהן, מנכ"ל חברת התרופות נוברטיס התייחס לתחום הבינה המלאכותית במגזין פורבס ב-2019 באומרו, כי הצוות שלו "היה צריך להשקיע את רוב הזמן רק בניקוי מערכי הנתונים לפני שניתן היה אפילו להפעיל את האלגוריתם. זה לקח לנו שנים רק לנקות את מערכי הנתונים. אני חושב שאנשים מזלזלים בכמה מעט נתונים נקיים יש שם בחוץ, וכמה קשה לנקות ולקשר את הנתונים". ההערכה היא כי הזמן המושקע בהכנת נתונים נע בין 60-80% מזמנו של מדען נתונים בעת פיתוח מודלים.

האתגר של השגת נתונים נקיים רק החריף במהלך השנים האחרונות בשל המורכבות של פרוטוקולי המחקר ומקורות הנתונים. אפילו היום, מדובר בתהליך יותר מדי ידני ועתיר משאבים עבור חברות ביו-פארמה רבות. ניקוי הנתונים אינו מקרה שימוש תואם מטרה עבור בינה מלאכותית ולמידת מכונה, אך הוא דרישה עבור מקרי שימוש עתידיים בהן.

הבחנה בין בינה מלאכותית ואוטומציה: שמים את האוטומציה במקום הראשון

תעשיית מדעי החיים אינה יכולה עוד לנהל את נפח הנתונים והתהליכים ללא אוטומציה. אוטומציה מצמצמת מאמץ ידני - כולל את מאמץ ניקוי הנתונים - ומספקת יכולות חכמות. לדוגמה היא יכולה לאפשר בדיקות איכות אוטומטיות של נפח גבוה של נתונים, דבר שיכול להעלות אי-התאמות במקורות הנתונים של מחקר. עם זאת, ארגונים מסוימים מכנים מקרי שימוש חכמים אלה כ"בינה מלאכותית" במקום כ"אוטומציה".

הצורך בשפה משותפת

המונחים בינה מלאכותית ולמידת מכונה משולבים לעתים קרובות כל כך במונח AI/ML אבל חשוב להגדיר אותם בנפרד. בינה מלאכותית (AI) היא היכולת של הטכנולוגיה לחקות היבטים של בינה אנושית. מתחת למטריית הבינה המלאכותית, מונחים שונים מתייחסים למה שהיא מספקת (למשל עיבוד שפה טבעית) ואיך שהיא מספקת אותם (למשל למידת מכונה - ML).

כשמבחינים בין בינה מלאכותית לבין אוטומציה, יש לחשוב על קורלציה מול סיבתיות. אוטומציה היא ה"ציוד" במערכת שמביא באופן אמין לאפקט (action) מתוך סיבה (input). לעומת זאת, בינה מלאכותית היא ה"מוח" שמוצא קורלציה ולומד דפוסים. אבל, בינה מלאכותית לא יודעת את הסיבה, והיא גם לא בהכרח מייצרת אפקט שניתן לחזור עליו. הבחנה זאת עשויה להיות שימושית לצורך פיתוח שפה משותפת סביב כמה מונחים מבוססים.

אוטומציה חכמה מספקת הזדמנות בטווח הקרוב

אוטומציה חכמה מיישמת כל טכנולוגיה הממנפת הבנה עמוקה של תהליכים פיזיים ונתונים כדי להציע אלטרנטיבה לפעילות אנושית סיזיפית. ככל שתכנוני המחקר ומקורות הנתונים גדלים בהיקף ובמורכבות, מנהלי נתונים קליניים זקוקים לאוטומציה חכמה כדי להבטיח איכות ויעילות. ניתן לצפות שאוטומציה מבוססת כללים תתרום רבות לניקוי הנתונים, ובמקביל גם תזין את הנתונים האיכותיים האלה למודלים של בינה מלאכותית לצורך הפקת ערך.

סער ברהום הוא סגן נשיא בכיר למו"פ ב-Veeva Crossix