على الرغم من أن الرعاية الصحية عادة ما تكون بطيئة في تبني التقنيات الجديدة، الرعاية الصحية وتعمل شركات التكنولوجيا والعلوم الحياتية على تكثيف اعتماد الذكاء الاصطناعي التوليدي.
من مختبرات أبحاث السرطان إلى مكتب الطبيب، تساعد الذكاء الاصطناعي التوليدي (GenAI) الأطباء على إنشاء ملخصات آلية وفي اكتشاف الأدوية، يمكن لنماذج GenAI تفسير الجينومات كأهداف لغوية وهوية لاكتشاف الأدوية، كما تقول إميلي كروجر، كبير مسؤولي الابتكار في لوكا، شريك استشاري في مجالات مثل الذكاء الاصطناعي والتعلم الآلي وتحليلات الرعاية الصحية وإدارة دورة الإيرادات.
بالإضافة إلى ذلك، وعلى الرغم من بعض الضمانات المطلوبة، اكتشف الباحثون في Mass General Brigham أن ChatGPT يمكن أن يجعل عملية الفرز أسرع عند البحث عن المرضى المؤهلين للتجارب السريرية.
في قمة AWS في مدينة نيويورك في وقت سابق من هذا الصيف، جلس InformationWeek مع Kruger لمناقشة كيفية استخدام شركات الرعاية الصحية وعلوم الحياة (HCLS) لـ GenAI.
(ملاحظة المحرر: تم تحرير هذه المقابلة من أجل الوضوح والإيجاز.)
ما مدى التقدم الذي أحرزته شركات HCLS في استراتيجيات الذكاء الاصطناعي التوليدية؟
أود أن أقول أن الرعاية الصحية وعلوم الحياة – تعتمد على حجم ونضج [organizations] — كانت الشركات أبطأ قليلاً في تبني التقنيات الجديدة تقليديًا، ولم نشهد هذا الاتجاه كثيرًا في الذكاء الاصطناعي التوليدي. في الواقع، أعتقد أن العديد من عملائنا في مجال الرعاية الصحية كانوا في طليعة تبني هذه التقنيات. ربما كانت الشركات في المساحات المنظمة تتمتع بالفعل بخصوصية بيانات أفضل وحماية للبيانات، لذلك قد تكون في وضع أفضل للاستفادة من الذكاء الاصطناعي التوليدي.
يمكن أن تستفيد العديد من حالات الاستخدام من GenAI، وخاصةً عندما تكون هناك كميات كبيرة من البيانات، وكثير منها غير مهيكل، أو بيانات يصعب تفسيرها. ويتراوح هذا من سجلات التأمين الطبي أو [electronic medical records] إن استخدام نماذج الماجستير في القانون لفهم وتفسير البيانات الجينومية واستخدامها في عملية اكتشاف الأدوية أمر مهم للغاية. وهناك العديد من الطرق للاستفادة من هذه البيانات واستخدام نماذج الماجستير في القانون والنماذج الأساسية على نطاق أوسع.
لقد ذكرت كيف أن الرعاية الصحية وعلوم الحياة قد تكون متأخرة عن الصناعات الأخرى في تبني تقنيات أخرى، ولكن في الوقت نفسه قد تكون مناسبة لـ GenAI بسبب تركيزها على الخصوصية والحوكمة. أتساءل عما إذا كان بإمكانك توضيح ذلك.
بالطبع، تخضع العديد من هذه الشركات لقانون التأمين الصحي المحمول والمساءلة (HIPAA)؛ كما تخضع لموافقات مختلفة من إدارة الغذاء والدواء. ونتيجة لهذا، كان لزامًا عليها اتباع نهج أكثر تنظيمًا في التعامل مع البيانات في العديد من الحالات. وللاستفادة من العديد من هذه التقنيات، فإن تجميع بياناتك وتنظيمها وحمايتها في المقام الأول إذا كنت ستستخدمها مع النماذج يعد شرطًا أساسيًا. وبالتالي، تم إنجاز بعض هذا العمل التحضيري، بالإضافة إلى العائد القوي على الاستثمار الذي تراه من العمل مع النماذج.
كيف تتقدم الشركات في GenAI فيما يتعلق باكتشاف الأدوية والتجارب السريرية للأدوية؟
في مجال البحث والتطوير، يستخرج العلماء البيانات من أوراق البحث أو يبحثون عن الملخصات والاتجاهات عبر مجموعات من بيانات الطرف الثالث – على سبيل المثال، ربما شيء من PubMed، وكذلك البيانات الداخلية لمنظماتهم.
يصبح الاستعلام عن البيانات الموجودة في PubMed مكلفًا نسبيًا، ولكن إذا كنت تبحث عن مساحة أضيق لاكتشاف الأدوية، فقد يكون ذلك مفيدًا حقًا. يفتح هذا المزيج من بيانات الجهات الخارجية والبيانات الداخلية العديد من الفوائد لهذه الشركات، لذا فإن الوقت الذي كان من الممكن أن يهدر في محاولة العثور على هذه البيانات قبل أن تقوم بالفعل بالعمل العلمي.
.jpg?width=700&auto=webp&quality=80&disable=upscale "إيميلي_كروجر_لوكا_هيدشوت_(002).jpg")
إميلي كروجر، لوكا
وفي مجال تحديد الأهداف، قمنا بالكثير من العمل مع الشركات التي تستكشف برامج الماجستير في علم البروتينات والحمض النووي. وقد تم تدريبهم على الجينوم البشري والرئيسي بشكل أساسي. تعمل النماذج بشكل أساسي على تفسير الجينومات كلغة، ويمكنها تحديد أهداف لاكتشاف الأدوية، وتضييق نطاق هذا المجال حقًا. بالمعنى التقليدي، قد يأتي العالم بفرضية بناءً على خبرته قد تكون آلاف الأهداف المحتملة، وقد يكلف تشغيل كل منها مئات الآلاف من الدولارات. بدلاً من ذلك، يمكنك تضييق نطاق ذلك إلى عدد أقل بكثير من الأهداف المؤهلة باستخدام برامج الماجستير في علم البروتينات، وبالتالي، يمكنك تسريع عملية اكتشاف الأدوية.
لقد عملنا مع شركات تعمل في مجال السرطان، لذا قمنا بإعادة تدريب النماذج على جينومات السرطان بالكامل باستخدام بياناتها الداخلية. لقد رأينا ذلك أيضًا في التكنولوجيا الزراعية علوم الحياة والفضاء، وليس اكتشاف الأدوية على وجه التحديد، ولكن في تحسين النتائج من أجل تطوير بذور جديدة.
في التجارب السريرية واكتشاف الأدوية، كيف تستخدم المنظمات الذكاء الاصطناعي التوليدي لإدارة البيانات غير المنظمة وفهم البيانات عندما تكون في جميع التنسيقات المختلفة؟
إن المساعد العلمي هو حالة استخدام شائعة جدًا نراها في علوم الحياة، وخاصة في مجال البحث والتطوير. وعلى الجانب السريري، نشهد الكثير من الزخم في مطابقة التجارب السريرية. لذا، فإن القدرة على تحليل متطلبات التجارب السريرية ومطابقتها مع خصائص الأفراد المحتملين الذين يمكن استخدامهم في تلك التجارب هي بمثابة كميات كبيرة من البيانات غير المنظمة، ربما بتنسيقات مختلفة، أو ملفات PDF، أو Excel. يجب أن تكون قادرًا على توحيد البيانات وتحليلها ثم مقارنتها لإنشاء مجموعة سكانية يمكن استخدامها في بيئة التجارب السريرية.
عندما لا يكون العلماء والأطباء مطورين للبرمجيات ويريدون إنشاء تطبيقات للمساعدة في التجارب السريرية أو اكتشاف الأدوية، فكيف سيتمكنون من استخدام البيانات الضخمة والذكاء الاصطناعي على أساس يومي؟
العلماء الذين يعملون في مجال التحليلات بشكل أكبر – على سبيل المثال، علماء المعلومات الحيوية أو الكيميائيين – يقومون بأعمال تحليلية على البيانات، ولكنهم قد لا يفهمون أو لا يستطيعون بسهولة، على سبيل المثال، تشغيل حالات VC2، أو التفكير في الخروج من الهيكل الفني لبناء هذه التطبيقات. يمكن لـ GenAI، وخاصة مع القدرة على إنشاء تطبيقات جديدة أثناء التنقل أو إنشاء رؤى من البيانات، أن تتخطى ضرورة بناء طبقة تجريد للعلماء وتسمح لهم بالقيام بذلك بشكل أكبر بمفردهم.
ما هو مستقبل استخدام الذكاء الاصطناعي في التجارب السريرية واكتشاف الأدوية؟
أنا متفائل بشأن إمكانية اكتشاف علاجات للأمراض بسرعة أكبر نتيجة للذكاء الاصطناعي التوليدي، ولكن أيضًا التحسينات في مجال الرعاية الصحية.
أعتقد أن هناك الكثير من الوعود المرتبطة بالتجارب السريرية. لدينا عملاء يعملون في جمع وتفسير بيانات التصوير، وبيانات التصوير الطبي من التجارب السريرية، ومن ثم القدرة على تقديم هذه البيانات الوصفية إلى عملائهم. أعتقد أن القدرة على تفسير هذه الصور، وتصحيحها بطرق لم تكن جزءًا من البروتوكول بالإضافة إلى القدرة على إنشاء صور سحابية جديدة وتدريب النماذج التقليدية بكفاءة أكبر، كلها مجالات واعدة. [as is] مساحة التصوير الطبي.
ما الذي ينبغي لمسؤولي المعلومات الآخرين أن يتعلموه مما تفعله شركات الرعاية الصحية وعلوم الحياة عندما يتعلق الأمر بالذكاء الاصطناعي التوليدي؟
إن ما تقوم به شركات الصحة والعلوم الحياتية بشكل جيد للغاية في التنفيذات الناجحة هو تحديد استخدامات الذكاء الاصطناعي التوليدي التي تعود عليها بعائد استثماري إيجابي. وهي حالات استخدام عالية القيمة مثل استبدال المهام اليدوية للغاية التي كان البشر يقومون بها، أو إذا كانت عرضة للخطأ.
فكر جيدًا في اختيار حالات الاستخدام منذ البداية، وتأكد من أنك لا تفعل شيئًا يشير إلى استخدامك لـ GenAI داخل مؤسستك فحسب، بل تحاول أيضًا التفكير بشكل استراتيجي حول كيفية تقدمه. [Consider] إن مهمة شركتك، سواء من منظور الملكية الفكرية، أو خلق كفاءات أكبر، حتى تتمكن من أداء عملك الأساسي بشكل أفضل، هي أحد المجالات الرئيسية. أما المجال الآخر فهو التفكير مليًا في أمن البيانات والوصول إليها، ولذا أعتقد أن شركات الرعاية الصحية وعلوم الحياة تفكر في هذا الأمر لأنها صناعات منظمة منذ البداية.
