Com seu potencial para reduções significativas de custos e tempo, maiores taxas de sucesso regulatório e entrada acelerada no mercado, o reposicionamento de medicamentos está surgindo como uma estratégia atraente no desenvolvimento farmacêutico. À medida que a inteligência artificial (IA) continua a se integrar às estruturas de reprofilamento, essas vantagens tendem a se expandir ainda mais, prometendo processos mais simplificados e maior eficiência na descoberta. Diante dessas altas expectativas, a questão fundamental permanece: o que é necessário para que a IA atinja seu potencial na transformação dos esforços de reposicionamento de medicamentos?
Este artigo explora considerações críticas que podem determinar o sucesso ou o fracasso dos seus projetos de reposicionamento de medicamentos assistidos por IA.
Dados obscuros e acessibilidade: seus dados estão prontos para a IA?
Não é segredo: a análise de IA extrai seu poder dos dados. Impulsionada por volumes massivos de informações, a IA pode descobrir tendências e padrões frequentemente ignorados por analistas humanos e gerar insights acionáveis para acelerar seus projetos de reprofilamento.
Seus dados mais valiosos poderiam estar fora de alcance?
Representando cerca de 55% de todo o conhecimento organizacional, “dados obscuros” referem-se a informações não estruturadas que as empresas acumulam ao longo do tempo, mas nunca utilizam para outros fins. Geralmente não harmonizados e armazenados em sistemas desconexos, esses dados possuem acessibilidade limitada, o que impede sua integração em eficiências operacionais e análises estratégicas de IA que podem impulsionar os esforços de reposicionamento.
Os dados obscuros podem incluir:
- Relatórios de ensaios clínicos não publicados e arquivados, como estudos abandonados.
- Dados do mundo real (RWD), como sinistros de seguros, registros eletrônicos de saúde (EHRs) e históricos de pacientes.
Como demonstram usos recentes, os dados obscuros combinados com tecnologias de IA têm o potencial de descobrir com sucesso novos usos terapêuticos para medicamentos existentes. No entanto, organizações que não aproveitam dados latentes para apoiar seus esforços de reprofilamento podem transformar uma estratégia promissora em uma oportunidade perdida.
Em 2020, a Insitro e a Bristol Myers Squibb usaram uma plataforma de triagem apoiada por IA e dados de ensaios clínicos arquivados para identificar novos alvos para esclerose lateral amiotrófica (ELA) e demência frontotemporal.
Diversidade de dados e precisão de previsão: você pode confiar nos seus modelos de IA?
A diversidade de dados é crucial para a precisão dos modelos de IA, particularmente em áreas de alto risco como o reposicionamento de medicamentos. Modelos de IA treinados e operando com dados limitados podem afetar suas análises e a qualidade dos insights gerados, prejudicando os benefícios da sua estratégia e dificultando os fluxos de trabalho de reposicionamento de medicamentos.
A falta de diversidade de dados pode resultar em:
- Validação de modelo deficiente e capacidades limitadas— Treinar modelos de IA com dados homogêneos restringe seu aprendizado a um conjunto limitado de cenários e limita o reconhecimento de padrões. Isso pode levar a insights críticos ignorados e dificultar a capacidade do modelo de aplicar descobertas de forma ampla, prejudicando os esforços de reposicionamento de medicamentos.
- Viés e insights enganosos— Se alimentados com dados tendenciosos ou não representativos, os algoritmos de IA correm o risco de gerar insights distorcidos que levam a uma tomada de decisão ruim. Isso pode resultar em recomendações de reposicionamento de medicamentos menos eficazes ou inseguras para grupos não representados, causando potencialmente resultados adversos em aplicações clínicas.
- Falsos positivos e desperdício de recursos— Depender de previsões de IA baseadas em dados tendenciosos pode resultar em falsos positivos, onde candidatos a reprofilamento de medicamentos inviáveis são buscados por engano. Isso não apenas desperdiça tempo e recursos financeiros, mas também desvia a atenção de leads mais promissores.
Integrar dados obscuros (dark data) em conjuntos de treinamento e análise pode aumentar a diversidade de dados e ajudar a contornar o viés de informação. No entanto, para fortalecer as capacidades dos algoritmos preditivos, as organizações devem ir além de seus recursos internos para enriquecer suas bases de dados, reforçar a robustez dos modelos de IA e criar um terreno fértil para previsões precisas que acelerem os esforços de reposicionamento de medicamentos.
Em 2024, pesquisadores aproveitaram modelos de aprendizado de máquina em uma década de dados do mundo real (RWD) para emular milhares de ensaios clínicos e identificaram cinco candidatos a reposicionamento de medicamentos para tratar a doença de Alzheimer.
Qualidade e confiabilidade dos dados: quão sólida é a sua base de dados?
Possuir uma riqueza de dados diversos pode aumentar significativamente o potencial da IA no desenvolvimento farmacêutico e acelerar seu pipeline de reposicionamento. No entanto, mais dados não significam necessariamente dados melhores.
Apenas acumular grandes quantidades de informações para alimentar análises orientadas por IA não é suficiente para garantir resultados confiáveis e dignos de confiança. Para alcançar isso, as organizações devem garantir que cada dado seja:
- Completo: Certifique-se de que todos os conjuntos de dados sejam abrangentes, preencha valores ausentes e identifique lacunas que possam afetar a análise.
- Preciso: Verifique se os dados refletem a realidade e corrija quaisquer erros ou anomalias encontrados durante as avaliações de qualidade dos dados.
- Consistente: Harmonize formatos, valores e estruturas em todas as fontes de dados para facilitar a análise e a integração.
- Relevante: Alinhe os dados com objetivos de pesquisa ou necessidades de projeto específicos para que contribuam diretamente para os insights ou decisões em consideração.
Embora o surgimento de tecnologias digitais e iniciativas de compartilhamento de dados permita um acesso simplificado a volumes massivos de informações, você deve verificar e limpar os dados para suas estratégias de reprofilamento orientadas por IA, a fim de garantir resultados positivos e evitar erros dispendiosos.
Um vislumbre de um exemplo real: A empresa de descoberta de medicamentos Insilico Medicine colaborou com instituições de ponta, incluindo a Mayo Clinic e a Harvard Medical School, e obteve acesso a dados clínicos extensos e bem curados para aprimorar suas plataformas orientadas por IA. Isso levou a novas oportunidades de reposicionamento de medicamentos para doenças como a ELA.
Gestão do conhecimento: a espinha dorsal do reposicionamento de medicamentos bem-sucedido com auxílio de IA
À medida que as estruturas de reposicionamento de medicamentos se tornam mais dependentes de tecnologias cognitivas, as organizações devem reavaliar como coletam, limpam e armazenam informações para enfrentar os desafios relacionados aos dados e maximizar o potencial da IA. É por isso que as estratégias de gestão do conhecimento se tornaram ainda mais críticas nos últimos anos.
Ao investir na solução certa de gestão do conhecimento, você pode garantir a disponibilidade, diversidade e qualidade dos dados, permitindo uma integração perfeita nas estratégias de reposicionamento de medicamentos orientadas por IA. No entanto, selecionar e implementar a abordagem certa que se alinhe às necessidades e objetivos do seu projeto requer uma compreensão profunda das opções de gestão do conhecimento para superar as barreiras de integração de dados e impulsionar seus esforços de reprofilamento a novos patamares.
Baixe este white paper para explorar soluções eficazes de gestão do conhecimento
Estratégia de reposicionamento de medicamentos orientada por IA bem-sucedida: tudo se resume aos dados
À medida que a IA assume o papel central nos fluxos de trabalho de reposicionamento de medicamentos, as empresas farmacêuticas devem examinar os dados que alimentam seus modelos para evitar investimentos equivocados e reduzir riscos relacionados. Ao compreender os elementos-chave das tecnologias avançadas baseadas em dados, as organizações podem criar e implementar soluções eficazes de gestão do conhecimento para fortalecer sua estratégia de reposicionamento de medicamentos, estabelecendo a base para avanços terapêuticos que transformarão a vida de milhões de pacientes.
