Automatisierung im Gesundheitswesen und in den Biowissenschaften: Wie sie hilft und was als Nächstes kommt
Die Rekrutierungsphase für klinische Studien dauert durchschnittlich 18 Monate , und fast 20 % der Krebsstudien scheitern aufgrund niedriger Teilnehmerzahlen. Automatisierung und KI können diesen Prozess verbessern und dazu beitragen, lebensrettende Behandlungen schneller zu Patienten zu bringen, indem geeignete Teilnehmer identifiziert und rekrutiert werden.
In diesem Bereich können Tools zur robotergestützten Prozessautomatisierung besonders hilfreich sein, da sie Patientenakten auswerten und sie geeigneten Studien zuordnen.
„Medizinische Abstraktion kann mühsam und teuer sein. Beim Abgleich klinischer Studien ist die Strukturierung der Studienberechtigung einfach, während die Strukturierung der Patientenakten den eigentlichen Engpass darstellt“, sagt Poon. Er nennt Microsofts Healthcare Agent Orchestrator als Beispiel dafür, „wie RPA durch die Einführung von Agenten zur Automatisierung der Informationsbeschaffung, Normalisierung, Integration und des Abgleichs klinischer Studien potenziell enorme Produktivitätssteigerungen ermöglichen kann.“
Auch intelligente Tools zur Dokumentenverarbeitung erweisen sich als nützlich. IDP kann Forschungsteams helfen, manuelle Fehler zu vermeiden, die Genauigkeit von Patientendaten zu verbessern und große Datenmengen effizienter zu analysieren. Amazon Web Services weist darauf hin, dass IDPs mithilfe großer Sprachmodelle Berichte erstellen und umsetzbare Erkenntnisse liefern können .
Der TrialGPT-Algorithmus , der an den National Institutes of Health entwickelt wurde, ist ein Beispiel für diese Technologie. In einer Pilotstudie stellten Forscher fest, dass TrialGPT bei der Beurteilung der Studieneignung von Patienten 40 % weniger Zeit für das Screening benötigte, aber die gleiche Genauigkeit erreichte wie menschliche Kliniker. TrialGPT erstellte außerdem Zusammenfassungen, die erklärten, warum ein Patient für eine Studie geeignet war.
Die Rolle der Cloud und fortschrittlicher Analytik in der Arzneimittelforschung„Wir und andere haben bereits KI-Systeme zur Entwicklung vielversprechender Medikamentenkandidaten eingesetzt, und ich gehe davon aus, dass sich solche Erfolge in den nächsten Jahren rasant häufen werden“, so Poon. „Wir können die Zeit für die Zielidentifizierung, die Identifizierung von Leitsubstanzen und deren Optimierung verkürzen.“
Forscher sagen, dass die Phase der Arzneimittelentdeckung, die typischerweise drei bis sechs Jahre dauert und etwa 35 % der Gesamtkosten der Entwicklung einer neuen Behandlung ausmacht, mithilfe von KI um ein bis zwei Jahre verkürzt werden kann. Das liegt daran, dass KI die Wirkung verschiedener Verbindungen schneller identifizieren und testen kann als ein Mensch.
Fortgeschrittene Datenanalysen sind für diese Art der Analyse von entscheidender Bedeutung. KI-gestützte Algorithmen können riesige Informationsmengen aus mehreren Datenbanken analysieren und vergleichen, um herauszufinden, welche Kombinationen für die Entwicklung eines neuen Medikaments am effektivsten sind.
Diese Art von Arbeit wäre ohne Cloud-Computing und -Speicherung nicht möglich. Während lokale Rechenzentren über eine begrenzte Speicherkapazität verfügen, bietet die Cloud Life-Science-Unternehmen die unbegrenzte Skalierbarkeit, die sie zur Verwaltung und Analyse dieser großen Datensätze benötigen.
Die Cloud ermöglicht es Unternehmen außerdem, ihre Speicherkapazitäten anzupassen – und damit die Kosten besser zu kontrollieren –, indem sie Partnerschaften mit Anbietern eingehen, um Zugriff auf leistungsstarke Grafikprozessoren und CPUs zu erhalten.
„Nehmen wir an, Sie arbeiten in einerGoogle Cloud- Umgebung und nutzen deren Hochleistungsrechner, um Proteinfaltungsszenarien auszuführen“, erklärt Joe Miles, Branchendirektor für Biowissenschaften bei UiPath. „Sie können diese Informationen dann je nach Studie an die entsprechenden Repositorien weiterleiten.“
healthtechmagazine
