生命科学中的 AI ： 从传统到生成

Introduction 最近生成式AI的发展极大地激发了人们对人工智能，包括传统和生成式人工智能的兴趣。新的语言提示响应能力和创建不同种类内容的能力不仅增加了新的应用场景，还使技术能够触及以往更多用户，大幅降低了非技术人员使用的技术门槛。 AUTHORS Tatiana Serikova高级数字战略顾问 同时，生命科学领域中人工智能的应用从未如此直接，原因在于隐私和监管问题、数据可用性以及相关利益方的支持挑战。患者福祉相关的风险、医疗专业人士的信任与信心问题，以及对核心产品管线的影响始终是行业的首要关切。因此，在本概览中，我们特别关注生成式和传统人工智能在生命科学领域的应用及其潜在影响、前景和挑战。 tserikova @ mobiquityinc. com / in / tatianaserikova Teun Schutte战略总监兼医疗保健和生命科学实践负责人 这份报告涵盖了适用于生命科学领域的96个高级AI应用场景，按主题和价值链位置分组。每个应用场景往往有多种实施方式，因此我们没有将其划分为生成型和传统型。此外，我们还分析了这些主题、障碍和趋势对行业AI潜在影响及可行性。 tschutte @ mobiquityinc. com / in / teunschutte 尽管每家组织实施AI的影响可能各不相同，我们希望这份概述能提供一些灵感，并对AI如何transform Life Science领域带来更多的清晰认识。 高级数据科学家马克 · 德 · 布拉乌 mdeblaauw @ mobiquityinc. com / in / markdeblaauw / 马吕斯汉堡工程总监 mburger @ mobiquityinc. com/ in / marius - burger - 1b38353b / 豪尔赫 · 马丁内斯· 博尼拉应用安全工程师 jmartinezbonilla @ mobiquityinc. com/ in / jorge - mart í nez - bonilla - 05738163 / 目录 最近 AI 发展的影响 4 通过生命科学价值链的 AI • Research & development6• 制造和物流7• Sales & marketing8• Supporting functions9• 数字产品10 11AI 用例组的可行性和影响 AI 用例的演变 AI 实施 13 收养障碍 14 Hexaware 如何支持您的 AI 旅程 15 一些 AI 用例 Hexaware 可以为您定义 ， 构建和实现 17DECODE AI 研讨会 关于 Hexaware 18 AI ， 特别是生成式 AI ， 是热门话题。它们如何用于生命科学 ？ 及其潜在影响 预计生成式AI的应用将产生2.6-4.4万亿美元的经济影响，据麦肯锡估计，主要集中在销售与营销、IT运营和研发等领域。 最近Open AI、Meta、DeepMind等多家公司发布的生成式AI模型引发了关于AI对各个行业影响的讨论。 生成式AI模型展示了模型根据提示生成内容的可能性，扩大了AI的应用空间，并使其更加易于为广大受众所使用。 新能力包括内容生成、对话和协调能力，无需特殊知识即可提高个体工作效率。 生成式AI为现有模型提供了额外价值，简化了个性化设置并减少了人与模型之间需要进行的翻译需求。 发布激发了人们对 AI 的既定使用的兴趣 ， 例如聚类， 推荐 ， 预测。 需要考虑的问题 AI 在整个价值链。 映射到生命科学价值链的 AI 用例组 ： 研究加速和洞察力生成是 AI 应用的主要目标研发。 研究与开发 研究与发现加速 临床试验优化 •科学出版和竞争分析。•了解疾病机制和疾病建模。•队列和适应症识别 ， 也用于个性化用药。•初步分子筛选、药物发现和结构预测。•替代在生物体和数字双胞胎中进行测试。•初步的未来需求预测。•规划和人员配置优化。•虚拟协作者 •协议开发和说明准备 ， 研究设计和设置。•站点性能预测和选择。•文档和培训创建。•随机化管理和确保多样性。•管理学习物流。•患者招募和登记。•监测试验结果。•医学编码 ， 临床数据输入 ， 审查和分析协助。•报告。 在研究和开发中 ， 人工智能可以显著促进研究加速。 虽然发现和临床试验 orchestration 可能带来最大的影响，但数据敏感性、需要定制模型以及高复杂性等因素可能会限制应用场景的可行性。然而，依赖开放数据的模型更具可行性，并可以作为试点应用场景。 •分析患者和临床提交的数据以识别和管理潜在影响，包括药物警戒。 •出版一代。•为跨区域的自定义审批流程生成文档。 同时，生成式AI模型通常无需重大修改即可应用于科学研究分析、协议、文档、报告以及出版物生成，以及现实世界数据的分析。 •分析社交媒体等开放数据 ， 以识别和管理潜在影响 ， 包括药物警戒。 操作优化通常是 AI 的目标在制造和物流中的应用。 制造和物流 供应商和合同 •采购分析、风险评估、供应商分析和选择。•合同分析和合同建设。 物流优化 •库存管理。•供应、制造和分销的车队和根部优化。•个性化的药品生产和配送。 质量控制 制造业和物流应用场景不仅可以在生命科学领域利用，还可以在其他行业中应用。这使得该领域对提供可定制AI解决方案的外部供应商具有吸引力。 •供应的质量控制。•中间和最终产品质量控制。•质量报告生成。 制造优化 •制造工艺优化。•预测性维护。•维修副驾驶。•文档生成。 需求预测 同时，诸如维护副驾、文档生成、合同生成和报告生成等案例可以相对容易地通过生成式AI在内部实现。 •初始需求预测及其对供应链的影响。 销售和营销可以利用定制和 AI 提供的副驾驶机会。 销售与营销 营销优化和内容创建 •竞争分析。•创建客户档案 ， 其次是下一个最佳操作类型的任务 * 。•营销活动规划和优化。•SEO 和社交媒体优化•内容生成和定制。•定价 ， 包括细分和时间相关定价 * 。•发射协调。•社会倾听。•关键意见领袖识别。•合规性检查和材料创建副驾驶员。 人工智能技术逐渐应用于客户关系管理解决方案领域，领先的企业提供了客户流失预防、最佳下一步行动及其他相关解决方案。 患者参与、服务和支持 SALES ENABLEMENT 销售与市场营销是一个内部探索人工智能的便捷领域，由于可以快速获得反馈。挑战在于如何与合规和法律团队保持发展节奏。 •为患者提供个性化的健康建议。•行为调整支持 。•HCP 的患者报告 / 生成输入。•患者依从性预测和依从性推动。•患者通过可穿戴设备参与。•呼叫中心路由 / 优化。•协助支持对话。•客户(包括 HCP) 自助服务。 •导线识别和评分。•场力优化 * 。•激励支出优化 * 。•流失预防 * 。•销售协助 ， 例如脚本和对话支持。•付款人和政府研究。•内部和外部报告。•虚拟销售人员。 社会倾听、内容创作、报告与研究以及辅助支持是该领域中较为容易实施的生成式AI应用场景。 当地法规可能会限制算法在该主题的特定方面的应用。 与其他行业一样 ， 生命科学可以从简化 AI 支持功能中受益。 支持功能 HR •分析驱动的招聘。•面试和招聘评估材料的生成。•保留员工。•绩效管理支持。•报告和内部沟通协助。•培训材料的生成。•职位描述和其他文档生成。 FINANCE •会计支持。•报告。•对话助理(专家支持) 。•分析和预测。•欺诈检测。•发票和发票跟踪。 AI 可以显著有助于支持功能的有效性。 供应商提供的解决方案潜力较大，但一些问题可能过于敏感，不宜在共享数据超出公司域的解决方案中使用。 法律 IT •法律文件起草。•文档分析 ： 合规性和法律问题检测。•法律研究。 •系统设计。•产品设计。•维护。•自助服务和支持。•数据清理和错误纠正。•代码优化和编写。•测试。 合法的应用案例特别适合用于流程简化，因为这些案例与核心功能紧密相关。生成式AI在这里具有很大的潜力，因为这些功能高度依赖文本，并且数据往往是内部的且预先结构化的。 生命科学可以为医疗保健提供商、付款人和其他利益相关者提供人工智能解决方案。 数码产品 核心运营支持 •诊断和治疗识别 ， 决策支持。•坚持和行为支持。•虚拟 HCP 。•解决方案 / 产品定制。•研究优化。 运营优化 •关键参数预测和优化。•收入来源分析、支持和支持。•绩效评估和基准测试。 行政支持 随着公司掌握 AI 应用程序 ，它也可以为客户提供 AI 解决方案。 •行政支持 ， 包括医疗编码。•内容创作。•报告。 这些解决方案可以在核心功能方面提供支持。它们可以帮助改善关键参数，如死亡率、派遣天数或工作量。此外，解决方案还可以帮助处理行政和支持功能，从而使医疗保健提供者能够专注于其核心竞争力。 解决方案维护和支持 •软件维护。•用户支持。 此外 ， 所提供的解决方案的维护和支持也可以在 AI 的帮助下完成。 研发 ， 销售和营销优化用例将在未来五年内推动 AI 的影响。 AI应用场景的影响将根据实施公司的运营状况、成熟度和价值链以及市场和客户特征而有所不同。 此外，单个用例的影响可能会随时间变化。例如，尽管目前患者参与用例的影响可能有限，但个性化医疗的发展将在未来十年增加其重要性。 生命 AI 用例组的影响和可行性分布未来五年的科学公司 ： 可行性 ：指示与用例组相关的数据可用性、模型和监管复杂性。个别用例可以具有较高或较低的相对可行性。 AI 应用的规模、复杂性和自主性将进一步增加。 他们在公司中的解决方式将改变在以下方面 ： 个别用例将随着时间的推移而演变 ：SALES LETTER Example 模型可能已经可用 ， 但组织仍然需要提供正确的数据并建立质量控制。 AI 用例实现的关键阶段 ： 建立数据架构，收集、清洗和预处理数据，解决潜在的偏见问题。分析数据以支持未来的决策和当前的决策制定。 构建、调整或训练选定的模型。检查性能并对其进行优化。如有生成模型的应用，可以专注于提示工程。 测试模型并实施输出控制。这一步对于生命科学领域确保模型输出的适当质量控制至关重要，鉴于相关风险。 识别公司想要解决的问题，定义目标、关键利益相关者、初步架构和需求。 部署模型、维护并优化模型。还包括与解决方案相关的任何流程变更活动。 在生命科学中采用 AI 的障碍是意义重大 ， 但可以减轻。 主要障碍 DATA生命科学通常处理高度敏感 ， 专业 ， 零散和不一致的数据。可用性确保数据充足和质量 ， 特别是对于依赖外部数据的项目 ， 是一个挑战。 生命科学是一个高度监管的行业，尤其是在涉及患者和HCP（健康 care 提供者）的操作时。审批流程、隐私问题以及必要的研究可能会显著减缓采用速度。当地法规的不同将导致不同的采用速度，美国可能仍处于总体领先地位。 法规与隐私 引入新的实践绝非易事，尤其是在生命科学这样复杂的环境中。鉴于声誉是一项关键资产，利益相关方将对解决方案的质量和清晰度提出更高的要求。 STAKEHOLDER买入 设置AI系统需要当前市场上高度需求的技能。生命科学的专业性可能使寻找合适的 talent 更加困难。 缓解策略 现在重要的是尽早开始实验人工智能，以了解其如何服务于业务。在选定的2-3个领域实施较小规模的案例有助于更好地理解人工智能的价值和挑战。 探索使用内部数据或现成模型进行运营优化试点通常是最适合公司和AI的起点。这还有助于初期限制监管和声誉风险。 数据策略和实践是人工智能的基础。对它们的投资确保了人工智能解决方案在开发过程中的质量以及合理的时间框架。 当前的市场环境已在项目启动前 necessitate 进行“自制、合作或采购”分析，从而提供管理风险和获取外部人才的选项。