Hvordan kunstig intelligens hjelper i jakten på nye medisiner

Hvordan kunstig intelligens hjelper i jakten på nye medisiner Kunstig intelligens brukes av selskaper for å fremskynde medisinoppdagelsesprosessen.

Mer om kunstig intelligens

  • Google DeepMind-grunnlegger Demis Hassabis: Tre sannheter om AI
  • De 10 mest etterspurte AI-jobbene i verden
  • De 3 mest oversett begrensningene av AI i virksomheten
  • Hvordan bli maskinlæringsingeniør: Et jukseark

TechRepublics Karen Roby snakket med Dr. Krishnan Nandabalan fra InveniAI om måtene kunstig intelligens (AI) hjelper selskaper med å oppdage nye medisiner. Følgende er et redigert utskrift av intervjuet deres.

Krishnan Nandabalan: AI kan betraktes som en styrken multiplikator. Hvis du ser på datamengden som verden har samlet inn de siste årene, dobler den slags hvert andre år nå, og hvis du tar det medisinske feltet, spesielt på daglig basis, blir mer enn 5000 publikasjoner lagt til . Det er menneskelig umulig å faktisk følge med på alle disse tingene, og se hvilke av dem som er relevante for deg i ditt spesifikke forskningsområde, og hva som ikke er det. Og det som ble gjort manuelt før for omtrent fem år siden, kan ikke gjøres manuelt lenger. Det er bare for mye data og informasjon som strømmer gjennom systemet. Så du kan tenke på AI som en måte å omfattende analysere alle dataene som er tilgjengelige for deg, om det er kliniske data, om det er vitenskapelige data, om det er pasientregistrerte data, om det er data fra sykehus, administrert omsorg og alle disse ha innvirkning på medisinens oppdagelses- og utviklingsprosess.

Spesiell rapport: Administrere AI og ML i bedriften (gratis PDF)

Så for å gå nærmere inn på litt, ikke sant? Så du kan tenke på nye mekanismer eller nye kjemiske enheter og nye biologiske enheter som kan utformes for å adressere visse sykdommer der det ikke finnes kurer. Eller videre, selv for medisiner som er godkjent, kan du begynne å følge resultatene i den virkelige verden. Enten pasienter overholder medisinene som er foreskrevet, eller hvordan reagerer de egentlig? Svarer de på en effektiv og sikker måte? Fordi kliniske studier, uansett hvor godt designet, ikke gjenspeiler den virkelige verden. Og nå, med ting som wearables, snakker jeg om instrumenter som Apple Watch eller Fitbit, vi kan overvåke hjerterytme, puls, og snart kommer det flere instrumenter. Jeg kan til og med overvåke blodsukkeret og sånt, og søvnmønstre.

Alt dette vil faktisk hjelpe oss å forstå hvordan menneskekroppen reagerer i en sykdomstilstand på visse medikamenter og ikke reagerer på andre medisiner på en sikker måte. Og dette vil tillate oss å faktisk designe tryggere og bedre medisiner. Selv om forbedringen er inkrementell, kan den trinnvise forbedringen ha stor innvirkning på helsevesenet, spesielt helsekostnadskostnadene. Hvis vi for eksempel kan redusere besøkene på sykehuset selv med en tredjedel, vil det ha stor innvirkning på kostnadene. Vi ser en direkte innvirkning av kunstig intelligens i hele helsevesenet.

Karen Roby: Hvordan ser tidslinjen ut?

Krishnan Nandabalan: Et utmerket spørsmål. Vi begynte å bruke algoritmer for å i hovedsak sammenligne et medikament med et annet i en gitt sykdomssituasjon i 2006. Hvis du tenker på et hvilket som helst sykdomsområde, følger leger allerede visse paradigmer når det gjelder å foreskrive visse medisiner basert på hvordan medisinen presterer. Hva er standard for omsorg? Hva er den forventede responsen på et bestemt stoff? Og så videre. Du ser dette i kontrollen av kolesterolet i blodet, du ser dette ved astma, og du ser dette i forskjellige førstelinjer eller andrelinjebehandling i kreftformer og så videre. Vi har gjort dette siden 2005, og en stund rundt 2011 innså vi at vi ikke var i stand til å følge med datamengden som strømmet gjennom systemet. Så vi gikk egentlig til AI og maskinlæring som en løsning for å håndtere datamengden, og virkelig se om vi kan automatisere ting som bør automatiseres fordi mennesker ikke er designet for å gjøre de samme tingene om og om igjen, og som ikke trenger vår intuisjon eller ekspertise eller erfaring. Og slik at AI virkelig kommer godt med der.

Hvis du vil tenke på AI på en mest godartet måte, er det en måte å gjøre ting med hjelp av maskiner på. Hvilke mennesker har allerede mestret, ikke sant? Så enhver prosess som er veldefinert, og du vet resultatet av den, så skal du kunne automatisere den, og du bør ha et kunstig system som kjører det. Og hvis du kan gjøre dette på en målt måte der du kan måle nøyaktigheten og overvåke effektiviteten, er det den beste måten å gjøre det på. Dette gjøres i produksjonen, dette gjøres i kvalitetskontroll. Nå har vi akkurat tatt det til neste nivå og brukt det også på funnprosessen. Det AI ikke kan gjøre akkurat nå, er å gjenskape intuisjonen og de fantasifulle sprangene som menneskesinnet kan. Og det er derfor vi fortsatt trenger forskere og artister, og så videre, vi har ikke datamaskiner som gjør det samme.

I det minste når det gjelder funn av legemidler, lar AI oss strømlinjeforme data. AI tillater oss å i det vesentlige være omfattende og ikke bruke for mye tid på bare å behandle dataene, men faktisk se på de ryddede dataene for å gjøre analyser og forskning slik at vi kan komme med bedre løsninger. Vi gjorde dette i 2015, og siden den gang har vi implementert AI over hele linjen, ikke bare i oppdagelsen av nye molekyler, men i klinisk forsøksdesign og sett på, også når det gjelder analyse av resultatene. Og jeg vil si at du vil se de fleste av applikasjonene våre i sjeldne sykdommer og foreldreløse sykdommer og kreftformer, så vel som sykdommer i sentralnervesystemet.

Nyhetsbrev om innovasjon

Vær kjent med smarte byer, AI, Internet of Things, VR, AR, robotikk, droner, autonom kjøring og mer av de kuleste teknologiske nyvinningene. Leveres onsdager og fredager

Registrer deg i dag

© Copyright 2020 | mobilegn.com