AI sa Chógaslann: Luasghéarú Fionnachtana Drugaí

Tá sé de nós againn cheana féin gur féidir le meaisíní cuid den obair i gcúram sláinte a dhéanamh. Chruthaigh siad a bheith éifeachtach maidir le cuidiú le diagnóisic nó roghnú líne cóireála, chomh maith le bainistíocht sreafa doiciméad. Ach, a luaithe a chaithfimid sracfhéachaint ar chaidrimh soláthraithe cúram sláinte, tá iontas orainn faoi scála na bhfadhbanna agus an fhéidearthacht atá ag AI iad a réiteach.

$ 2.5b agus 10 mbliana de thaighde - seo iad na figiúirí a chuireann síos ar an bpróiseas forbartha drugaí. Cuir in iúl dóibh nach rithfeadh ach 1 as gach 10 druga gach céim riachtanach agus go sroichfeadh sé an t-othar sa deireadh. Ní féidir le saol tapa agus buile an lae inniu costais den sórt sin ná an fráma ama sin a íoc.

Tá sé anseo gur féidir le teicnící AI an luach is mó a chur leis, rud a fhágann go mbeidh fionnachtain na ndrugaí níos gasta, níos saoire agus níos éifeachtaí. Tá roinnt cógaiseoirí fós amhrasach, ach tá mórchuid na saineolaithe ag súil go mbeidh na huirlisí seo ag éirí níos tábhachtaí. Má tá lucht tacaíochta na dteicnící seo ceart, cuirfidh AI agus foghlaim meaisín le chéile i ré ina bhfuarthas drugaí níos gasta, níos saoire agus níos éifeachtaí

Mar shampla, measann McKinsey go bhféadfadh cinnteoireacht níos fearr, nuálaíocht optamaithe, éifeachtúlacht fheabhsaithe taighde, trialacha cliniciúla, agus cruthú uirlisí nua le cabhair sonraí móra agus foghlaim meaisín suas le $ 100b a ghiniúint i gcógas agus leigheas gach bliain.

Tá an cumas ag AI an próiseas iomlán fionnachtain drugaí a athrú. Go dtí seo, níl na céimeanna d’fhorbairt drugaí ag tosú ó hipitéis agus ag dul i dtreo na ndrugaí a thástáil ceangailte ar chor ar bith. A mhalairt ar fad, ó thaobh foghlama meaisín de, bíonn na céimeanna idirnasctha ós rud é gur féidir leat na sonraí ón gcéad chéim eile a úsáid chun tuiscint a fháil ar cad a tharlaíonn sa chéim roimhe sin nó dhá chéim roimhe seo. Thairis sin, is féidir leis an rochtain chomhuaineach ar iliomad sonraí deighleog inchainníochtaithe a aithint in ionad tuairiscí leathana a úsáid, mar shampla comharthaí galair. Le foghlaim meaisín, is féidir le taighdeoirí triail a dhéanamh ar líon othar, torthaí difriúla a fháil agus iad a mhapáil ar ghéineolaíocht na n-othar ar shínithe móilíneacha, ag sainiú an ghalair ar thalamh níos daingne.

Baineadh úsáid rathúil as AI cheana féin i ngach príomhchéim i bhforbairt drugaí:

· Céim 0. Forbhreathnú ar an litríocht

Céim 1: Spriocanna idirghabhála a aithint

Céim 2: Iarrthóirí drugaí a fhionnadh

Céim 3: Trialacha cliniciúla a bhrostú

· Céim 4: Biomarcóirí a Aimsiú chun an galar a dhiagnóisiú

Príomhchéimeanna i bhforbairt drugaí

Céim 0 Forbhreathnú ar an litríocht

Tá an-chuid taighde ann a fhoilsítear gach lá agus dá bhféadfaimis na léargais ó gach staidéar a chomhordú, is féidir linn hipitéis níos fearr a fhoirmiú. Mar sin féin, tá sé dodhéanta do dhuine gach achomaireacht agus páipéar eolaíochta a léamh, mar sin de ghnáth ní dhíríonn taighdeoirí a oibríonn sa réimse eolaíoch ach ar réimse amháin agus ní léann siad dialanna eile. Ach tá go leor sonraí ábhartha sna dialanna seo ar féidir leo cinntí a threorú sna réimsí a bhfuil duine ag déanamh taighde orthu. Is é an réiteach ná ligean do mheaisíní an litríocht, na paitinní agus na doiciméid go léir atá ar fáil a léamh agus na sonraí a chomhthiomsú le chéile i mbunachar sonraí fíricí is féidir a bhaint as an litríocht seo. Is é sin bunús na hipitéise chun spriocanna teiripeacha a fháil do ghalair.

Céim 1: Spriocanna idirghabhála a aithint

Is é an chéad chéim i bhforbairt drugaí tuiscint a fháil ar bhunús bitheolaíoch an ghalair agus a mheicníochtaí frithsheasmhachta. Chun galar a chóireáil, tá sé ríthábhachtach spriocanna maithe a aithint, próitéiní de ghnáth. Chuir cur i bhfeidhm leathan na dteicnící ard-tréchur, mar shampla scagadh gearr hairpin RNA (shRNA) agus seicheamh domhain, leis an méid sonraí atá ar fáil chun spriocbhealaí inmharthana a fhionnadh. Is dúshlán fós é, áfach, líon ard agus éagsúlacht na bhfoinsí sonraí a chomhtháthú - agus na patrúin ábhartha a fháil ansin. Is eol go bhfuil halgartaim foghlama meaisín go maith i dtascanna den sórt sin agus is féidir leo na sonraí go léir atá ar fáil a láimhseáil chun próitéiní sprice maithe a thuar go huathoibríoch.

Céim 2: Fionnachtain iarrthóirí drugaí

Agus spriocanna aitheanta, tosaíonn taighdeoirí ag lorg comhdhúil atá in ann idirghníomhú leis an spriocmhóilín sainaitheanta ar an mbealach atá ag teastáil. Is éard atá i gceist leis seo na mílte agus na milliúin comhdhúile nádúrtha, sintéiseacha agus bithfhuinnimh a scagadh le haghaidh a n-éifeacht ar an sprioc agus a fo-iarsmaí. Féadann halgartaim Machine Learning oiriúnacht móilín a thuar bunaithe ar mhéarloirg struchtúracha agus tuairiscí móilíneacha, blaze trí na milliúin móilíní féideartha agus iad a scagadh síos go dtí na roghanna is fearr agus na fo-iarsmaí is lú.

Céim 3: Trialacha cliniciúla níos gasta

Is í an eochair do thrialacha rathúla ná roghnú cruinn iarrthóirí oiriúnacha, toisc go mbíonn síneadh trialacha agus cur amú ama agus acmhainní i gceist le roghnú mícheart. Féadann Machine Learning dearadh na dtrialacha cliniciúla a bhrostú trí iarrthóirí oiriúnacha a aithint go huathoibríoch agus a chinntiú go ndéantar rannpháirtithe na trialach a dháileadh i gceart i measc grúpaí. Is féidir le halgartaim ML patrúin a shainaithint a dhéanfadh iarrthóirí maithe a thuar. Thairis sin, is féidir leo fógra a thabhairt do na taighdeoirí nach bhfuil triail dhochreidte ag táirgeadh torthaí dochloíte ionas go bhféadfadh na taighdeoirí idirghabháil a dhéanamh níos luaithe, agus d’fhéadfadh forbairt an druga a shábháil.

Céim 4: Biomarcóirí a aithint chun an galar a dhiagnóisiú

Faoi dheireadh, ní féidir leat othair a chóireáil le haghaidh galar ach amháin nuair atá tú cinnte faoi do dhiagnóis. Is móilíní iad bithmharcóirí a fhaightear i sreabháin choirp mar fhuil a sholáthraíonn cinnteacht iomlán i dtaobh an bhfuil galar ag othar nó nach bhfuil. Déanann siad an próiseas chun galar a dhiagnóisiú slán agus saor. Is féidir iad a úsáid freisin chun dul chun cinn an ghalair a chur in iúl - rud a fhágann go bhfuil sé níos éasca do dhochtúirí an chóireáil cheart a roghnú agus monatóireacht a dhéanamh an bhfuil an druga ag obair.

Ach, chun bithmharcálaithe a fhionnadh is gá na mílte iarrthóirí ionchasacha móilíní a scagadh. Arís eile, is féidir le AI an próiseas a uathoibriú agus a bhrostú. Rangaíonn na halgartaim móilíní ina n-iarrthóirí maithe agus olc - agus ní féidir leis an taighdeoir díriú ach ar na hionchais is fearr a anailísiú.

Is féidir le bithmharcóirí:

Biomarcóir diagnóiseach: Galar a bheith ann chomh luath agus is féidir

Biomarcóir riosca: An riosca go bhforbróidh othar an galar

Biomarcóir prognóiseach: Dul chun cinn dóchúil an ghalair

Biomarcóir tuartha: Cibé an bhfreagróidh othar do dhruga

Cineálacha bithmharcóirí

Cé go bhfuil cur i bhfeidhm leathan AI fós ina coisithe, tá go leor samplaí ann maidir lena úsáid ag cuideachtaí cógaisíochta. Mar shampla, tá an fathach cógaisíochta Merck & Co ag obair ar thionscadal a úsáideann teicneolaíocht domhainfhoghlama chun móilíní beaga núíosacha a fhionnadh. Chuir Pfizer tús le comhoibriú le IBM Watson le haghaidh taighde ar fhionnachtain drugaí imdhí-oinceolaíochta. D’fhorbair taighdeoirí ag an gcuideachta biteicneolaíochta Berg-bhunaithe i Berg samhail chun meicníochtaí ailse nach raibh ar eolas roimhe seo a aithint ag baint úsáide as tástálacha ar níos mó ná 1,000 sampla cealla ailse ailseach agus sláintiúil.

Tugann an t-athrú seo i láthair le fios gur dhúisigh an tionscal ní amháin ach go bhfuil sé ag glacadh go gníomhach leis na buntáistí a bhaineann le foghlaim meaisín chun drugaí a aithint agus a scagadh, iarrthóirí drugaí a thuar níos cruinne agus, sa deireadh, costais agus iarracht T&F a ghearradh.

Conas a athróidh AI todhchaí shaineolaithe daonna?

De réir mar a fhoilsítear níos mó staidéir agus de réir mar a dhéantar díospóireachtaí maidir le todhchaí AI sa leigheas, tagann taobhanna ar leith den argóint chun cinn. Is é an comhaontú ginearálta, cé gur cheart go ndéanfadh meaisíní gnáththascanna agus bailiú / iontráil sonraí, beidh gá i gcónaí le gné dhaonna ról an choimeádaithe, i mbreithiúnas, i gcruthaitheacht, agus ionbhá nó tosca daonna eile nach féidir leis an teicneolaíocht nua-aimseartha a sholáthar .

Mar choimeádaithe, cuirfidh daoine an fhadhb ar bun agus ligfidh siad do na halgartaim nó do na robots í a réiteach. Déanfaidh siad comhdhúile, comharthaí, galair nó eile a chur in oiriúint agus díriú orthu seachas fadhbanna randamacha nó nóiméid ar mhaithe le déanamh amhlaidh. Ina theannta sin, soláthróidh saineolaithe daonna ceadú trí na céimeanna éagsúla de thástáil nó iniúchadh a dhéanamh ar roghanna breise bunaithe ar thorthaí bunaithe ar chomhthéacs nach dtuigeann na róbónna.

Mar fhocal scoir, is é an todhchaí an comhar idir daoine agus meaisíní agus beidh ar shaineolaithe cliniciúla daonna oiriúnú, foghlaim agus fás taobh le dul chun cinn teicneolaíochta. Cé go gcaithfidh speisialtóirí sa todhchaí a bheith ina saineolaithe míochaine agus ríomhaireachta araon, don leigheas, is éabhlóid é, ní díothacht.