Automação em Saúde e Ciências Biológicas: Como ela ajuda e o que vem a seguir
A fase de recrutamento para ensaios clínicos leva em média 18 meses , e quase 20% dos ensaios clínicos sobre câncer falham devido às baixas taxas de recrutamento. A automação e a IA podem aprimorar esse processo — e ajudar a levar tratamentos que salvam vidas aos pacientes mais rapidamente — identificando e recrutando participantes elegíveis.
Ferramentas de automação de processos robóticos podem ser especialmente benéficas nessa área ao avaliar registros de pacientes e compará-los a testes apropriados.
“A abstração médica pode ser tediosa e cara. Na correspondência de ensaios clínicos, estruturar a elegibilidade do ensaio é fácil, enquanto a estruturação dos registros dos pacientes é o verdadeiro gargalo”, diz Poon. Ele cita o Healthcare Agent Orchestrator da Microsoft como exemplo de “como a RPA pode potencialmente gerar ganhos massivos de produtividade ao introduzir agentes para automatizar a coleta de informações, a normalização, a integração e os cenários de correspondência de ensaios clínicos”.
Ferramentas inteligentes de processamento de documentos também estão se mostrando benéficas. O PDI pode ajudar equipes de pesquisa a evitar erros manuais, melhorar a precisão dos dados de pacientes e analisar conjuntos de grandes volumes com mais eficiência. A Amazon Web Services destaca que, quando impulsionados por grandes modelos de linguagem, os PDIs podem gerar relatórios e descobrir insights acionáveis.
O algoritmo TrialGPT , desenvolvido pelos Institutos Nacionais de Saúde (NIH), é um exemplo desse tipo de tecnologia. Em um estudo piloto, pesquisadores descobriram que, ao avaliar pacientes para elegibilidade ao estudo, o TrialGPT gastou 40% menos tempo na triagem, mas alcançou o mesmo nível de precisão que médicos humanos. O TrialGPT também criou resumos explicando por que um paciente era adequado para um estudo.
O papel da nuvem e da análise avançada na descoberta de medicamentos“Nós e outros já utilizamos sistemas de IA para gerar candidatos promissores a medicamentos , e espero que esses sucessos se acumulem rapidamente nos próximos anos”, afirma Poon. “Podemos reduzir o tempo de identificação de alvos, identificação de compostos principais e otimização.”
Pesquisadores afirmam que a fase de descoberta de medicamentos, que normalmente leva de três a seis anos e representa cerca de 35% do custo total do desenvolvimento de um novo tratamento, pode ser encurtada em um ou dois anos com a IA. Isso porque a IA consegue identificar e testar os efeitos de diferentes compostos mais rapidamente do que um ser humano.
Análises avançadas de dados são cruciais para esse tipo de análise. Algoritmos baseados em IA podem analisar e comparar enormes quantidades de informações em diversos bancos de dados para identificar quais combinações serão mais eficazes na criação de um novo medicamento.
Esse tipo de trabalho não seria possível sem computação e armazenamento em nuvem . Embora os data centers locais tenham uma quantidade definida de espaço, a nuvem oferece às organizações de ciências biológicas a escala ilimitada necessária para gerenciar e analisar esses grandes conjuntos de dados.
A nuvem também permite que as organizações ajustem suas capacidades de armazenamento — e, portanto, controlem melhor os custos — por meio de parcerias com fornecedores para acesso a poderosas unidades de processamento gráfico e CPUs.
“Digamos que você esteja trabalhando em um ambientedo Google Cloud e usando a computação de alto desempenho para executar cenários de dobramento de proteínas”, diz Joe Miles, diretor de ciências biológicas da UiPath. “Você pode então pegar essas informações e encaminhá-las para os repositórios apropriados, conforme pertinentes a um ensaio clínico individual.”
healthtechmagazine
