从证据到行动:加快药物影响与实践 AI 采用

标签描述: 字体的类型是什么? (Meta description) 瑞医疗总监 Nabil Khan解释了制药团队如何利用 AI 将证据转化为更快,经过验证的临床和战略决策.

标签: 一个字母,一个字符号. (TG) " 制药 AI,证据综合,医学事务 AI治理,纳比尔汗

[抽象的技术风格,没有真实的人,没有公司标志,没有文本]

瑞医疗总监 Nabil Khan正在绘制 AI药业的证据工作流程,因为临床信息增长速度比团队能够将其转化为决策更快.这个差距很重要,因为药物战略越来越依赖于消化每天从出版物,大会,现实研究和现场对话中获得的证據.

背景:证据增长超过决策速度

根据医学杂志的数据,PubMed在财政年度 2023增加了超过 1.5百万个引用,大约 4,300 每天.医疗事务团队还必须吸收来自卫生保健专业人员 (称为HCPs) 的会议数据,现实世界的证据和现场见解.这种数量使得制药组织更难以从临床信息转向行动.

瓶通常不是获得证据.Khan的观点是,合成,分析和决策并没有与正在生成的证据同步扩展.在现场,医疗团队必须判断哪些HCP对话包含了临床相关的洞察力.在医学事务和临床开发中,这些见解到达二手并且必须转化为战略.双方的主要斗争是将噪音从信号分离出来.

开发: AI速度带来了新的故障模式

AI可以缩短合成时间,但它带来了自身的风险. 在 2023,研究人员在npj Digital Medicine中报告说, large language models ,或 LLMs ,用于医学证据总结可能会产生事实上不一致和过于令人信服的摘要,较长文本有更多错误. 这一发现促使受监管行业提出了一个更狭窄的问题:哪个决策应该AI改进,以及领导者如何知道它有效.

美国食品和药物监管局 (U.S. Food and Drug Administration) 此后提出了一个基于风险的可信度框架,用于支持药品监管决策的模型.对于制造业领导人来说,这使得谈话不那么关注模式能力而更多地关注证据治理.

在 AI in Business 播客中, Emerj Senior Editor Yolandi de Weerdt 与 Khan 谈到了 ?? Accelerating Evidence to Action in Pharma with Practical AI Adoption. Khan Khan于 2024加入了 Pfizer ,作为 Medical Director 的 Internal Medicine Antivirals.他的专业知识涵盖Medical Affairs, Clinical Development, Clinical Trial Operations 和 Scientific Engagement.在Pfizer之前,他监测临床试验场所并支持疫苗,心脏代谢疾病,眼科和神经学方面的研究,并在PPD, ICON 和IQVIA担任高级临床研究职位.他是 Impact Physician Group 的主任.

在进入证据工作时,Khan看到了三个转变:更快的合成,更好地检测新出现的模式以及在医疗事务,临床开发和商业团队中更加一致的证据基础.他称最后一点为稳定性特征.他的目标是让专家花费更少时间收集信息并更多时间对其采取行动.

他警告说,如果没有明确的问题就像拥有工具箱而不知道哪种工具适合工作.

AI成功采用AI必须从一个明确定义的业务问题开始,而不一定是技术本身.因此领导者应该问自己和应问他们的团队:我们试图改进什么决定? 我们试图加快哪个决策? 我们正在尝试扩展哪个决定?

哈恩的框架要求领导者命名决定,证据来源,治理点和下游结果.试验场所选择显示了证明可以坐落到多远.AI 可以帮助识别一个地区潜在相关的医疗保健人员,但在实地医学团队对调查员进行检查并通过协议培训,监管审查,合规性和激活移动临床开发后才会进行测试.最终措施是这些地点是否产生清洁的试验数据.

目前阶段:验证,培训和可辩护的使用

哈恩的团队在医疗大会上大量使用 AI 来规划有限的现场时间和总结大量材料.必须检查输出,因为当标题,主题或演讲者看起来相似时,单独的演示文稿可以合并到 AI 的摘要中.一旦错误的综合转移到了实地报告或策略甲板中,该错误就会影响每一个下游决策.

他的规则是将AI视为工具而不是来源.在 AI摘要转移到其他团队之前,它应该可以追溯到原始出版物,摘要,海报或演示文稿;接受更密切的审查以查看类似输入;并由一位名字的人类专家验证.

他还警告说,一致性可能是误导性的. wrong有时在错误的方向上的一致性不是一件好事",汗说. If AI 在许多摘要中犯了同样的错误,该错误并非 JUST 孤立;它可以扩散.

培训是下一个瓶.Khan说,组织通常不重视培训,尽管员工必须学习如何AI与监管要求,合规义务,版权和外部通信相交.他指出 ChatGPT , Claude , Copilot 和其他系统的行为不同,在个人手机上使用 AI 与在工作计算机上用于受管制的工作是一项不同的活动.当人工智能产生的内容被外界共享时,公司以及个体承担风险.

卡恩将学习曲线作为一个资助的序列:培训季度,大约三到四个月;监督使用季度;一旦团队可以自信地解释输出,便会进行常规整合.他补充说,速度取决于用例:总结或起草电子邮件比总结临床或期刊文章或构建演示文稿所需的准备工作要少.

大型组织仍处于AI实施的试错阶段.当前阶段正在从原始速度转向决策定,源验证和监督使用AI.