Die Verarbeitung natürlicher Sprache (NLP) revolutioniert derzeit die Pharmaindustrie, da Pharmaunternehmen NLP zur Entscheidungsfindung in allen Phasen der Arzneimittelentwicklung und -markteinführung nutzen, von NLP zur Datenredaktion und Anonymisierung sensibler Daten, NLP für das Pharma-Literatur-Mining, NLP für die Arzneimittelentdeckung, NLP für die Erkennung benannter Entitäten für Arzneimittel bis hin zu NLP und KI für die strategische Gestaltung klinischer Studien.
Wir verwenden NLP zur Analyse von Protokollen für klinische Studien in der Pharmaindustrie. Wir haben ein pharmazeutisches NLP-Modell entwickelt, das dem deutschen Pharmaunternehmen Boehringer Ingelheim bei der Verarbeitung von Protokollen für klinische Studien hilft.
Pharmaunternehmen verfassen in der Planungsphase einer klinischen Studie ein 200-seitiges Protokoll und unser Modell ist in der Lage, das Dokument zu „lesen“ und eine Reihe von Komplexitätsmetriken auszugeben.
Clinical Trials NLP in Pharma solution
Wenn ein Pharmaunternehmen ein Medikament entwickelt, muss es mehrere Phasen klinischer Tests durchlaufen, bevor es von den Aufsichtsbehörden zugelassen werden kann. Die Menge an unstrukturiertem Text, die bei diesem Prozess entsteht, öffnet die Tür zur Pharma-NLP-Modellierung.
Vor Beginn der Studie verfasst der Arzneimittelentwickler ein Dokument, das als Protokoll bezeichnet wird. Dieses enthält wichtige Informationen darüber, wie lange die Studie durchgeführt wird, welches Risiko für die Teilnehmer besteht, welche Art von Behandlung untersucht wird usw.
Das Problem besteht darin, dass jedes Protokoll bis zu 200 Seiten lang ist und die Struktur variieren kann. Hier kommen maschinelles Lernen und NLP für klinische Studien ins Spiel.
Für das deutsche Pharmaunternehmen Boehringer Ingelheim haben wir ein Deep-Machine-Learning-Tool entwickelt und trainiert, das mithilfe der Verarbeitung natürlicher Sprache (NLP) mehr als 50 Ausgabevariablen aus einem Protokoll für klinische Studien vorhersagt. Dies ermöglicht es Pharmaunternehmen und Regulierungsbehörden, große Mengen von Protokollen für klinische Studien zu analysieren und zu quantifizieren, was eine genauere Kostenschätzung ermöglicht. Maschinelles Lernen bietet eine skalierbare und effektive Möglichkeit, klinische Studien zu organisieren.
Die Technik der natürlichen Sprachanalyse kann auf andere Branchen ausgeweitet werden, in denen große unstrukturierte oder halbstrukturierte Dokumente die Norm sind.
Wenn Sie ein Projekt haben, bei dem KI oder NLP Sie bei der Analyse klinischer Studien unterstützen könnten (NLP in der Pharmaindustrie), nehmen Sie bitte Kontakt mit uns auf und wir besprechen es gerne mit Ihnen.
NLP und KI verfügen über großes Potenzial, viele Aspekte der Pharmaindustrie zu revolutionieren, von vorklinischen Phasen wie der In-silico- Arzneimittelentdeckung bis hin zu klinischen Studien und der Aftermarket-Überwachung wichtiger Meinungsführer (Key Opinion Leaders, KOLs).
Bei Fast Data Science sind wir Vorreiter in Sachen KI und NLP in der Pharmaindustrie und haben an Projekten in den präklinischen, klinischen und KOL-Phasen des Arzneimittelentwicklungszyklus gearbeitet. Lesen Sie mehr darüber , wie Forscher KI in der Pharmaindustrie einsetzen .
Wir haben uns hauptsächlich auf maschinelles Lernen in klinischen Studien konzentriert, nämlich auf NLP- Projekte in der Pharmaindustrie, haben aber auch an allgemeineren Data-Science-Projekten wie Komplexitäts- und Risikoabschätzung gearbeitet.
Blättern Sie durch die Beispiele unten, um mehr über KI und natürliche Sprachverarbeitung in der Pharmaindustrie und bei klinischen Studien zu erfahren.
Bei Fast Data Science arbeiteten wir an einem Projekt zur Verarbeitung natürlicher Sprache für ein Pharmaunternehmen, bei dem das Risiko eines nicht informativen Endes klinischer Studien vorhergesagt werden musste.
Wir haben ein webbasiertes Tool für maschinelles Lernen entwickelt, mit dem auch technisch nicht versierte Benutzer eine PDF-Datei mit einem Protokoll für eine klinische Studie per Drag & Drop verschieben können. Das Tool konvertierte die PDF-Datei in Rohtext und extrahierte eine Reihe wichtiger Eigenschaften der Studie, wie etwa die Anzahl der Probanden, den Standort, die Pathologie, das Vorhandensein eines statistischen Analyseplans (SAP), die Effektschätzung und die Simulation zur Bestimmung der Stichprobengröße.
Diese Eigenschaften wurden in ein Risikomodell eingespeist, das das Risiko des Versuchs als niedrig, mittel oder hoch einstufte und einen leicht exportierbaren PDF-Bericht erstellte, den die Benutzer mit Kollegen teilen konnten.
Novartis nutzt maschinelles Lernen, um vorherzusagen, welche ungetesteten Verbindungen wahrscheinlich biologisch aktiv sind und eine Untersuchung in vitro wert sind.
Verge Genomics nutzt KI, um die Wirkung neuer Behandlungen für Alzheimer-Patienten vorherzusagen. Das Unternehmen hat eine der weltweit größten Datenbanken mit Hirngewebesequenzen aufgebaut. Die Datenbank enthält Gewebe von mehr als 1.000 menschlichen Gehirnen.
Verge gilt als Pionier auf dem Gebiet der künstlichen Intelligenz zur Arzneimittelforschung, nachdem das Unternehmen die DNA von Patienten entschlüsselt hat, die an neurodegenerativen Erkrankungen gestorben sind, und ein Modell maschinellen Lernens entwickelt hat, um Gene zu finden, die als Zielmoleküle für neue Medikamente dienen könnten.
What we can do for you
