No início deste mês, a correspondente nacional da STAT, Casey Ross, e uma equipe de especialistas líderes do setor, dentre eles Niven Narain, presidente e CEO da Berg; Christoph Lengauer, presidente e cofundador da Celsius Therapeutics; Mariana Nacht, CSO da Vivid Biosciences, e Donald Bergstrom, chefe de P&D da Relay Therapeutics – se reuniram em Boston para discutir o papel da IA no desenvolvimento de medicamentos. Tive o grande prazer de apresentar o painel a uma multidão de mais de 130 participantes.
No CAS, nos esforçamos para ajudar as organizações a alavancar o conteúdo e a tecnologia certos, combinados com o conhecimento humano, para acessar dados científicos de missão crítica que conduzem a descobertas e geram informações para as decisões de investimento estratégico. Então, eu não esperava a hora de ouvir as perspectivas dos participantes dos painéis sobre os aspectos positivos e desafiadores da expansão da tecnologia no processo de desenvolvimento de medicamentos. Durante as palestras, percebi que balançava a cabeça concordando com o que ouvia. Muitos dos pontos que eles discutiram são desafios que nós, do CAS, trabalhamos todos os dias para resolver.
Se você não conseguiu participar em Boston, continue lendo para obter informações importantes dessa instigante discussão.
Definição e aplicação da IA
Pergunte a três pessoas o que é IA e provavelmente obterá três respostas diferentes. Esse ponto foi reforçado por Nacht, que observou que cada um parece interpretar a IA à sua maneira e, em última análise, como a aplicamos tende a definir o que ela significa para nós. Para ela, significa alimentar grandes quantidades de dados por meio de um algoritmo iterativo que deve ser continuamente refinado e redefinido com base nos resultados.
Narain compartilhou que define IA como algo em que uma máquina faz uma análise independente, sem qualquer interação humana. Se você considerar o núcleo da definição, comentou, você pode argumentar que o Microsoft Excel representa o aprendizado de máquina – você insere dados, o Excel os processa e obtém um resultado. Mas no que se refere à saúde, a definição é muito mais complexa porque é essencial que os resultados sejam verificáveis.
"É realmente importante [na saúde] não parar no modelo", disse ele. "Porque isso levanta a questão – o resultado é apenas uma correlação? Para doenças e saúde, [isso não é suficiente], precisamos chegar à causalidade".
No CAS, acreditamos que a convergência de conhecimento humano, tecnologia e dados leva aos melhores resultados, então esse ponto me pareceu verdadeiro porque se alinha com a ideia de que a IA por si só não é a resposta para impulsionar a inovação. A experiência humana ainda é fundamental para garantir que as estruturas de dados e os algoritmos corretos estejam em vigor e devem ser continuamente ajustados para gerar precisão e resultados ideais.
Foco em dados melhores
Uma maneira primordial pela qual a IA ajuda os pesquisadores é dar sentido aos dados e descobrir insights que, de outra forma, não seriam descobertos. Por exemplo, a IA pode processar os números de grandes conjuntos de dados – tudo, desde amostras de tecidos e mutações genéticas até a progressão dos sintomas. Isso ajuda os pesquisadores a definir mais claramente sua população de pacientes, permitindo que eles tomem melhores decisões sobre como evoluir o desenvolvimento de um medicamento ou disponibilizá-lo de uma vez ao mercado. Mas, obter esses insights requer dados corretos, conforme apontado por Lengauer. Ele compartilhou o exemplo de um medicamento que apresentou resultados promissores para 40% dos pacientes que o experimentaram. "Não temos ideia de por que não funcionou para os outros 60% dos pacientes e por que os 40% sim. Não podemos estratificar os pacientes e não sabemos em que momento é melhor administrar o medicamento – no diagnóstico, como último recurso, durante as crises? Na descoberta de medicamentos, você precisa fazer medicamentos que funcionem".
Muitas perguntas e poucos insights são uma realidade frustrante para muitos pesquisadores, porque no mundo da descoberta de medicamentos, pode ser incrivelmente difícil obter uma grande quantidade de dados confiáveis. Isso enfatiza a necessidade de dados padronizados e industrializados trabalhando em conjunto com a tecnologia mais recente. Por exemplo, em ensaios clínicos de câncer, há um problema de dados médios. "É grande demais para um humano ver um padrão, mas não é grande o suficiente para que os algoritmos entendam", observou Bergstrom.
Isso me lembrou o trabalho que fazemos no CAS. Todos os dias, ajudamos os clientes a acessar, organizar e entender melhor seus ativos de dados criando soluções de gerenciamento de dados mais eficazes. E seus resultados confirmam que dados de qualidade e bem-organizados são a chave para impulsionar a inovação.
Para ouvir todos os insights dos especialistas, assista ao painel de discussão completo sob demanda. E se você deseja maximizar os ativos de dados de sua organização para acelerar os negócios, saiba como o CAS pode ajudar.