Yapay zekanın yaşam bilimlerindeki değerinin peşinde

Artan rekabet, artan müşteri beklentileri ve artan mevzuat zorlukları göz önüne alındığında, bu yatırımlar hayati önem taşıyor. Ancak değerlerini en üst düzeye çıkarmak için liderlerin kapsam, ölçek, hız ve insan-yapay zeka işbirliği gibi temel faktörleri nasıl dengeleyeceklerini dikkatle düşünmeleri gerekiyor.

Verileri bağlamanın erken vaadi

Tüm sektörlerdeki veri liderlerinin, özellikle de veri açısından zengin yaşam bilimleri kuruluşlarındakilerin ortak kaçınması şu: “Kurumun her yerinde çok büyük miktarda veri var, ancak buna ihtiyacı olan insanlar bu verileri bulamıyor.” AWS’nin sağlık hizmetleri ve yaşam bilimleri genel müdürü Dan Sheeran diyor. Karmaşık bir sağlık hizmetleri ekosisteminde veriler hastaneler, eczaneler, sigortacılar ve hastalar dahil olmak üzere birçok kaynaktan gelebilir.

Sheeran şöyle diyor: “Bu zorluğun üstesinden gelmek, meta verileri mevcut tüm verilere uygulamak ve ardından onu bulmak için bir arama motorunun kolaylığını taklit eden araçlar oluşturmak anlamına geliyor. Ancak üretken yapay zeka ortaya çıkana kadar bu meta verileri oluşturmak son derece zaman alıcıydı.”

ZS’nin küresel dijital ve teknoloji uygulamaları başkanı Mahmood Majeed, ekiplerinin düzenli olarak üzerinde çalıştığını belirtiyor bağlantılı veri programlarıçünkü “kurum çapında bağlantılı kararları mümkün kılmak için verileri birbirine bağlamak, size farklı deneyimler yaratma yeteneği kazandırır.”

Majeed, Sanofi’nin, araştırmayı kolaylaştıran ve zaman alan veri görevlerini otomatikleştiren analitik uygulaması plai ile verileri birbirine bağlama konusundaki iyi duyurulmuş örneğine dikkat çekiyor. Bu yatırımla Sanofi, araştırma süreçlerinin haftalardan saatlere indirildiğini ve immünoloji, onkoloji veya nöroloji gibi terapötik alanlarda hedef tanımlamanın iyileştirilebileceğini bildiriyor %20 ila %30 oranında.

Kişiselleştirmenin karşılığını almak

Bağlantılı veriler aynı zamanda şirketlerin kişiselleştirilmiş son kilometre deneyimlerine odaklanmasına da olanak tanır. Bu, sağlık hizmeti sağlayıcılarıyla etkileşimlerin uygun hale getirilmesini ve hastaların bireysel motivasyonlarını, ihtiyaçlarını ve davranışlarını anlamayı içerir.

Kişiselleştirme konusundaki ilk çabalar, bunu gerçekleştirmek için “bir sonraki en iyi eylem” veya “bir sonraki en iyi etkileşim” modellerine dayanıyordu. Bu geleneksel makine öğrenimi (ML) modelleri, saha ekiplerinin önceden belirlenmiş yönergelere göre sağlık hizmeti sağlayıcılarıyla paylaşabileceği en uygun bilgileri önerir.

Üretken yapay zeka modelleriyle karşılaştırıldığında, daha geleneksel makine öğrenimi modelleri esnek olmayabilir, bireysel sağlayıcı ihtiyaçlarına uyum sağlayamayabilir ve genellikle anlamlı bağlam sağlayabilecek diğer veri kaynaklarıyla bağlantı kurmakta zorlanırlar. Bu nedenle, içgörüler yararlı olabilir ancak sınırlı olabilir.