Automatización en la salud y las ciencias biológicas: cómo ayuda y qué viene después
La fase de reclutamiento para ensayos clínicos dura un promedio de 18 meses , y casi el 20 % de los ensayos oncológicos fracasan debido a las bajas tasas de inscripción. La automatización y la IA pueden optimizar este proceso y ayudar a que los pacientes reciban tratamientos que salvan vidas con mayor rapidez, al identificar y reclutar a los participantes elegibles.
Las herramientas de automatización de procesos robóticos pueden ser especialmente beneficiosas en esta área al evaluar los registros de los pacientes y asociarlos con los ensayos adecuados.
La abstracción médica puede ser tediosa y costosa. En el emparejamiento de ensayos clínicos, estructurar la elegibilidad es fácil, mientras que la estructuración de los registros de los pacientes es el verdadero cuello de botella, afirma Poon. Cita Healthcare Agent Orchestrator de Microsoft como ejemplo de cómo la RPA puede generar enormes ganancias de productividad al incorporar agentes para automatizar la recopilación, normalización e integración de información y los escenarios de emparejamiento de ensayos clínicos.
Las herramientas de procesamiento inteligente de documentos también están demostrando ser beneficiosas. El procesamiento inteligente de documentos (IPD) puede ayudar a los equipos de investigación a evitar errores manuales, mejorar la precisión de los datos de los pacientes y analizar con mayor eficiencia conjuntos de datos masivos. Amazon Web Services señala que, al utilizar modelos de lenguaje extensos, los IDP pueden generar informes y obtener información útil.
El algoritmo TrialGPT , desarrollado en los Institutos Nacionales de Salud, es un ejemplo de este tipo de tecnología. En un estudio piloto, los investigadores descubrieron que, al evaluar a los pacientes para determinar su elegibilidad para un ensayo, TrialGPT dedicó un 40 % menos de tiempo a la selección, pero logró el mismo nivel de precisión que los médicos clínicos. TrialGPT también creó resúmenes que explicaban por qué un paciente era apto para un ensayo.
El papel de la nube y la analítica avanzada en el descubrimiento de fármacos“Nosotros y otros ya hemos utilizado sistemas de IA para generar fármacos candidatos prometedores , y preveo que estos éxitos se acumularán rápidamente en los próximos años”, afirma Poon. “Podemos acortar el tiempo de identificación de objetivos, la identificación de compuestos líderes y la optimización”.
Los investigadores afirman que la fase de descubrimiento de fármacos, que suele durar de tres a seis años y representa aproximadamente el 35 % del coste total del desarrollo de un nuevo tratamiento, puede acortarse uno o dos años con la IA. Esto se debe a que la IA puede identificar y probar los efectos de diferentes compuestos con mayor rapidez que un humano.
El análisis avanzado de datos es fundamental para este tipo de análisis. Los algoritmos basados en IA pueden analizar y comparar grandes cantidades de información en múltiples bases de datos para identificar qué combinaciones serán más eficaces en la creación de un nuevo fármaco.
Este tipo de trabajo no sería posible sin la computación y el almacenamiento en la nube . Si bien los centros de datos locales tienen una cantidad de espacio definida, la nube ofrece a las organizaciones de ciencias de la vida la escala ilimitada que necesitan para gestionar y analizar estos grandes conjuntos de datos.
La nube también permite a las organizaciones ajustar sus capacidades de almacenamiento (y, por lo tanto, controlar mejor los costos) al asociarse con proveedores para acceder a potentes unidades de procesamiento de gráficos y CPU.
“Supongamos que trabajas en un entornode Google Cloud y utilizas su computación de alto rendimiento para ejecutar escenarios de plegamiento de proteínas”, explica Joe Miles, director de la industria de ciencias de la vida en UiPath. “Puedes tomar esa información y dirigirla a los repositorios correspondientes según corresponda a un ensayo individual”.
healthtechmagazine
