Όπως και με άλλες επιχειρήσεις, η υγειονομική περίθαλψη έχει ανακαλύψει την επιταγή της σύνδεσης των δυνατοτήτων τεχνητής νοημοσύνης με τις ανθρώπινες δραστηριότητες προκειμένου να ενισχυθεί η ανταγωνιστικότητα.
Η τεχνητή νοημοσύνη μπορεί να βοηθήσει τις φαρμακευτικές εταιρείες να εκμεταλλευτούν βελτιωμένες πληροφορίες με πολλούς τρόπους σε σχέση με τα δεδομένα που διαθέτουν. Αυτά περιλαμβάνουν την αναθεώρηση και την ερμηνεία των συνόλων των δεδομένων, την εκτέλεση πιο γρήγορων κύκλων ανάπτυξης, την ερμηνεία των δεδομένων στο πλαίσιο αλλά και άλλα είδη επιχειρηματικής ευφυΐας. Πιο σημαντικά, η μηχανική ευφυΐα φαίνεται να είναι σε θέση να λύσει τα προβλήματα που έχουν προκληθεί κατά τη φαρμακευτική ανάπτυξη και συγκεκριμένα το χρόνο για την ανακάλυψη φαρμάκων και το επακόλουθο ποσοστό επιτυχίας των κλινικών δοκιμών.
Αυτές οι ιδέες διερευνώνται από τον Gunjan Bhardwaj ιδρυτή και διευθύνοντα σύμβουλο του Innoplexus, που γράφει για το PharmaPhorum . Αναφέρει ότι, όσον αφορά τη βελτίωση του ελέγχου του συνόλου των δεδομένων, απαιτούνται πλατφόρμες που λειτουργούν περισσότερο ως “ένα παράθυρο στον κόσμο των διαθέσιμων πληροφοριών” σε αντίθεση με τη “συλλογή περιορισμένων δεδομένων σε υψηλές τιμές”, το να κάνεις δηλαδή ευφυείς κοπτοραπτικές που μπορούν να διασταυρωθούν από πολλαπλές πηγές δεδομένων. Ένα παράδειγμα είναι η σύνδεση των δεδομένων κλινικών δοκιμών με τις βάσεις δεδομένων της δημόσιας υγείας.
Η τεχνητή νοημοσύνη μπορεί επίσης να βοηθήσει με τη συντόμευση του χρόνου για την επίτευξη των δεδομένων. Εδώ ο Bhardwaj αντλεί το παράδειγμα του Tramadol . Αυτό ήταν ένα αδύναμο συνταγογραφούμενο οπιοειδές για την ανακούφιση του πόνου. Το φάρμακο έγινε αργότερα ένα από τα κακοποιημένα οπιοειδή που πλήττουν μέρος του προβλήματος των ΗΠΑ με τη συνταγογράφηση των παυσίπονων.
Δεδομένου ότι υπάρχουν προειδοποιητικές ενδείξεις σχετικά με τη φαρμακευτική αγωγή σε βάσεις δεδομένων, ο Bhardwaj σημειώνει ότι η τεχνητή νοημοσύνη θα μπορούσε να το αναλύσει και, από την ανάλυση των τάσεων, να εμποδίσει μια δαπανηρή αγωγή για τις εμπλεκόμενες φαρμακευτικές εταιρείες.
Η τεχνητή νοημοσύνη μπορεί επίσης να διαδραματίσει ένα ρόλο σε σχέση με τη βαθιά εμβάθυνση στα ιατρικά δεδομένα, όπως τα σύνθετα δεδομένα στις αναγνώσεις ζωτικών σημείων στις χημικές δομές. Εδώ η τεχνητή νοημοσύνη είναι ιδιαίτερα αποτελεσματική στην κατάργηση του «θορύβου» που σχετίζεται με το περιβάλλον από τα σύνολα δεδομένων.
Με αυτά τα παραδείγματα, ο Bhardwaj συνοψίζει ότι η τεχνητή νοημοσύνη μπορεί να δημιουργήσει λεπτομερή σύνολα δεδομένων και να εκτελέσει λεπτομερέστερες αναλύσεις δεδομένων με περισσότερη ακρίβεια και σε πολλαπλά περιβάλλοντα, με καλύτερο τρόπο από τα συμβατικά συστήματα υπολογιστών των ανθρώπων.
Η χρήση της τεχνητής νοημοσύνης στο pharma υποστηρίζεται από τον Eric Horvitz , διευθυντή του Microsoft Research Labs στο Redmond, στην Ουάσιγκτον. Δεδομένου του τρόπου με τον οποίο η ανάπτυξη νέων φαρμάκων διαρκεί μια δεκαετία έρευνας και μια δαπάνη ύψους 2,6 δισεκατομμυρίων δολαρίων για την προώθηση ενός πειραματικού φαρμάκου από το σχεδιασμό στην αγορά, η τεχνητή νοημοσύνη υπόσχεται να καταστήσει τη διαδικασία ανακάλυψης νέων φαρμάκων γρηγορότερη και φθηνότερη.